python光流法学习 II

基于python-opencv的Gunnar Farneback稠密光流法学习

参考链接：https://blog.csdn.net/gjy095/article/details/9206621

                   https://blog.csdn.net/u013010889/article/details/71189271

如有侵权，联系删除。

在做煤矿的项目中，想求传送带的运动信息。尝试过特征点的稀疏光流法，但是由于井下条件差，临近像素点差异小，特征点在运动过程中会发生突变，所以尝试稠密光流，但是由于计算图像上所有像素点的光流，速度略慢，测试时每帧大约0.2S左右。

def calcOpticalFlowFarneback(prev, next, flow, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags)
'''
使用G-F算法计算稠密光流
'''
参数说明： prevImg 输入的8bit单通道前一帧图像；

          nextImg 输入的8bit单通道当前帧图像；
          
          flow 计算光流图，和图像有相同size

          pyr_scale 金字塔参数：0.5为经典参数，每一层是下一层尺度的一半；

          levels 金字塔的层数，1层表示单指计算图像

          winsize 窗口大小

          iterations 迭代次数

          poly_n 像素邻域的大小，大的话表示图像整体比较平滑

          poly_sigma 高斯标准差

          flags 可以为下列的组合 OPTFLOW_USE_INITIAL_FLOW OPTFLOW_FARNEBACK_GAUSSIAN

返回值为每个像素点的位移，大小和输入帧图像相同的双通道图像，即（w，h，2），一个通道表示在x方向的位移，一个通道表示y方向的位移

测试demo如下：

第一张图是光流场，第二张是对光流场的可视化。其中，不同的颜色代表方向，深浅代表运动速度。将一个像素点上的x，y的变化值和转化为极坐标，之后用HSV图像表示。

可以看到，右图中的大多像素点是紫色，即向上方运动。

之后会看FlowNet的两篇论文，希望可以一起交流。