本文介绍了Lucas-Kanada光流假设及其在跟踪中的应用。通过使用金字塔LK算法，解决了因较大运动导致的小窗口丢失问题。cv::calcOpticalFlowPyrLK函数用于在连续帧间跟踪特征点，尽管过程中可能会丢失一些点，但可以通过周期性检测新特征点来弥补。主要涉及的参数包括前一帧图像、当前帧图像、前一帧特征点集和计算出的当前帧光流特征点集。
Lucas-Kanada光流假设：
- 场景中物体被跟踪的部分的亮度不变；
- 相邻帧之间的运动较小；
- 相邻的点保持相邻。
LK算法只需要每个感兴趣点周围小窗口的局部信息，但是较大的运动会将点移除这个小窗口，从而造成算法无法再找到这些点。金字塔的LK算法可以解决这个问题，即从金字塔的最高层（细节最少）开始向金字塔的最低层（丰富的细节）进行跟踪。跟踪图像金字塔允许小窗口部或较大的运动。
在开始跟踪前，首先要在初始帧中检测特征点，之后在下一帧中尝试跟踪这些点。你必须找到新的图像帧中这些点的位置，因此，你必须在特征点的先前位置附近进行搜索，以找到下一帧中它的新位置。这正是cv::calcOpticalFlowPyrLK函数所实现的工作。你输入两个连续的图像帧以及第一幅图像中检测到的特征点数组，该函数将返回一组新的特征点为位置。为了跟踪完整的序列，你需要在帧与帧之间重复这个过程，不可避免地你也会丢失其中一些点，于是被跟踪的特征点数目会减少。为了解决这个问题，我们可以不时地检测新的特征值。
calcOpticalFlowPyrLK( InputArray prevImg, InputArray nextImg,
InputArray
订阅专栏 解锁全文
扫一扫
2615
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
