LK光流算法流程

流程翻译于Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm

目标：$u$是图像$I$中的一个点，我们要在图像$J$中找到它对应的点$v$

建立$I$和$J$的图像金字塔:       ${\left\{I^L\right\}}_{L=0,\dots ,L_m}\text{ and }{\left\{J^L\right\}}_{L=0,\dots ,L_m}$
初始化金字塔上的位移估计为0：    ${\mathbf{g}}^{L_m}={\left[g_x^{L_m}{g}_x^{L_m}\right]}^T={\left[\begin{array}{ll}0& 0\end{array}\right]}^T$
使$L=L_m$，递减到$m=0$:
  找到$u$在图像$I^L$中的位置：    ${\mathbf{u}}^L={\left[p_x{p}_y\right]}^T=\mathbf{u}/2^L$
  计算$I^L$对$x$的导数:         $I_x(x,y)=\frac{I^L(x+1,y)-I^L(x-1,y)}{2}$
  计算$I^L$对$y$的导数:         $I_y(x,y)=\frac{I^L(x,y+1)-I^L(x,y-1)}{2}$
  计算空间导数矩阵：         $G={\sum }_{x=p_x-{\omega }_x}^{p_x+{\omega }_x}{\sum }_{y=p_y-{\omega }_y}^{p_y+{\omega }_y}\left[\begin{array}{cc}{I}_x^2(x,y)& I_x(x,y)I_y(x,y)\\ I_x(x,y)I_y(x,y)& I_y^2(x,y)\end{array}\right]$
  初始化L-K迭代：         ${\overline{\nu }}^0={\left[\begin{array}{ll}0& 0\end{array}\right]}^T$
  从$k=1$，累加到K（当$\Vert {\overline{\eta }}^k\Vert$小于设定阈值的时候也会打断迭代）
    图像相减：          $\delta I_k(x,y)=I^L(x,y)-J^L\left(x+g_x^L+{\nu }_x^{k-1},y+g_y^L+{\nu }_y^{k-1}\right)$
    计算图像误匹配向量：     ${\overline{b}}_k={\sum }_{x=p_x-{\omega }_x}^{p_x+{\omega }_x}{\sum }_{y=p_y-{\omega }_y}^{p_y+{\omega }_y}\left[\begin{array}{c}\delta I_k(x,y)I_x(x,y)\\ \delta I_k(x,y)I_y(x,y)\end{array}\right]$
    计算光流(Lucas-Kanade):   ${\overline{\eta }}^k=G^{-1}{\overline{b}}_k$
    累加迭代量：         ${\overline{\nu }}^k={\overline{\nu }}^{k-1}+{\overline{\eta }}^k$
  结束$k$的循环
  得到第$L$层的光流估计：      ${\mathbf{d}}^L={\overline{\nu }}^K$
  计算出$L-1$层的初步估计：    ${\mathbf{g}}^{L-1}={\left[g_x^{L-1}{g}_y^{L-1}\right]}^T=2\left({\mathbf{g}}^{\mathbf{L}}+{\mathbf{d}}^L\right)$
结束$L$循环
得到最终的光流估计：         $\mathbf{d}={\mathbf{g}}^0+{\mathbf{d}}^0$
定位图像$J$中的位置：         $\mathbf{v}=\mathbf{u}+\mathbf{d}$

结果：图像$J$中与$u$相对应的点就是$v$