LK光流
我们做基本假设:同一空间点的像素灰度值,在各个图像中是固定不变的,其在t时刻(x,y)像素处的灰度值 I(x,y,t)。假设某一窗口内的像素具有相同的运动(仅从一个点是看不出来问题的 如下图我们只关注I(3,3) 无法判断它在向下走还是斜着走)。
opencv库用于计算光流的函数:
cv::calcOpticalFlowPyrLK(
const cv::Mat& prevImg, // 前一帧图像,灰度图像
const cv::Mat& nextImg, // 当前帧图像,灰度图像
const std::vector<cv::Point2f>& prevPts, // 前一帧的特征点
std::vector<cv::Point2f>& nextPts, // 输出的当前帧的特征点
std::vector<uchar>& status, // 输出的特征点的状态,表示是否成功跟踪到
std::vector<float>& err, // 输出的特征点的误差
cv::Size winSize = cv::Size(21, 21), // 搜索窗口的大小
int maxLevel = 4, // 金字塔的最大层数
cv::TermCriteria criteria = cv::TermCriteria(cv::TermCriteria::COUNT + cv::TermCriteria::EPS, 30, 0.01), // 终止条件
int flags = 0,
double minEigThreshold = 1e-4
);
编写代码(调用摄像头):
#include <iostream>
#include <opencv2/opencv.hpp>
int main() {
cv::VideoCapture cap(0);
if (!cap.isOpened()) {
std::cout << "Failed to open the camera." << std::endl;
return -1;
}
cv::Mat frame, grayFrame, prevGrayFrame;
std::vector<cv::Point2f> prevPoints, nextPoints;
std::vector<uchar> status;
std::vector<float> error;
cv::TermCriteria termcrit(cv::TermCriteria::COUNT | cv::TermCriteria::EPS, 20, 0.03);
cv::Size winSize(31, 31);
cap >> frame; // 读第一帧
cv::cvtColor(frame, prevGrayFrame, cv::COLOR_BGR2GRAY);
cv::goodFeaturesToTrack(prevGrayFrame, prevPoints, 500, 0.01, 10); // 检测特征点
while (true) {
cap >> frame; // 读当前帧
if (frame.empty())
break;
cv::cvtColor(frame, grayFrame, cv::COLOR_BGR2GRAY);
cv::calcOpticalFlowPyrLK(prevGrayFrame, grayFrame, prevPoints, nextPoints, status, error, winSize, 4, termcrit, 0, 0.001); // 计算光流
for (size_t i = 0; i < prevPoints.size(); i++) {
if (status[i]) {
cv::Point2f p0 = prevPoints[i];
cv::Point2f p1 = nextPoints[i];
cv::line(frame, p0, p1, cv::Scalar(0, 0, 255), 2); // 绘制光流轨迹
cv::circle(frame, p1, 3, cv::Scalar(0, 255, 0), -1); // 绘制特征点
}
}
cv::imshow("LK Optical Flow", frame);
if (cv::waitKey(1) == 27)
break;
std::swap(prevGrayFrame, grayFrame);
std::swap(prevPoints, nextPoints);
}
cap.release();
cv::destroyAllWindows();
return 0;
}
实验结果:调用opencv库做LK光流结果(c++ opencv):左右移动摄像头检测到光流 速度越快 红线越长(光流轨迹)