【附代码实现】光流法大全(DeepFlow、DenseFlow、DisFlow、FbFlow、PCAFlow、SimpleFlow、TV_L1)

已于 2022-06-24 15:05:22 修改
阅读量5.8k 收藏 86
点赞数 20
分类专栏： 深度学习 文章标签： python 算法 图像处理 深度学习
于 2022-05-24 15:40:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangchuangyc/article/details/124946688
版权

文章目录

前言

我研究生阶段是做深度学习情感识别的，在研究阶段曾经尝试过使用光流法来捕捉情感的变化，也花费了大量的时间去尝试各种光流法，走了不少弯路。现在研究生毕业了，就总结以下之前研究中所使用到的光流法。光流法分为传统的光流法和使用深度学习技术的光流法，这次分享仅仅涉及传统的光流法。

光流法是一种有效的提取人脸表情特征的方法，人脸表情的变化会引起相应位置像素点亮度的变化，光流法的实质就是对像素点的追踪：在相邻的图像帧之间，在下一个时刻的图像中寻找上一个时刻图像的关键的位置。

原始图像
在这里插入图片描述

一、DIS光流法

1.1 理论

DIS光流算法是基于前后两帧图像中所有像素点的移动估算算法，通过每个像素点的邻域信息来对该像素点的坐标位置进行多项式展开得到一个以原坐标（x0，y0）为自变量，新坐标（x，y）为因变量的多项式，并代入坐标数据来求取该像素点在x和y方向上的移动量（dx，dy）。这样就得到了每个像素点在前后两帧图像中的位移矢量，包含振幅和相位。

算法：使用Till Kroeger提出的DIS光流法[1]计算全局性的稠密光流，将图像上所有的像素点的光流都计算出来

[1]Kroeger,T&R.Timofte&D.X.Dai&L.V. Gool. Fast Optical Flow Using Dense Inverse Search [J] .2016-09-17

1.2 效果图

DIS光流法后
在这里插入图片描述

1.3 程序

import os
import cv2
import numpy as np
import flow_vis

def generate_flow(src, des): # 以个体为单位生成光流图
    """

    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)
    # print(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[...,1] = 255

    dis = cv2.optflow.createOptFlow_DIS(2)
    dis.setUseSpatialPropagation(True)
    for file in file_list:
    # for i in range(1440):
        path = os.path.join(src, file)
        frame2 = cv2.imread(path)
        next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = dis.calc(prvs, next, None, )


        # 笛卡尔坐标转换为极坐标，获得极轴和极角
        # mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        # hsv[..., 0] = ang * 180 / np.pi / 2
        # hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        # rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

        rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)
        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

        prvs = next
    print('img number:%d' % len(os.listdir(des)))

original_dir_path = 'D:\Software\pycharm\DATA_img_2\Train/03017_1'
flow_dir_path = 'D:\Software\pycharm\DATA_img_2\Flow\DIS_flow'

generate_flow(original_dir_path, flow_dir_path)

二、DeepFlow光流法

2.1 效果图

在这里插入图片描述

2.2 程序

import os
import cv2
import numpy as np
import flow_vis

def generate_flow(src, des): # 以个体为单位生成光流图
    """
    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)
    # print(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[...,1] = 255

    dis = cv2.optflow.createOptFlow_DeepFlow()
    for file in file_list:
    # for i in range(1440):
        path = os.path.join(src, file)
        frame2 = cv2.imread(path)
        next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = dis.calc(prvs, next, None)
        # flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 25, 3, 5, 1.2, 1)
        # # print(flow.shape)
        # print(flow)
        # # 笛卡尔坐标转换为极坐标，获得极轴和极角
        # mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        # hsv[..., 0] = ang * 180 / np.pi / 2
        # hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        # rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
        rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)
        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

        prvs = next
    print('img number:%d' % len(os.listdir(des)))

original_dir_path = 'D:\Software\pycharm\DATA_img_2\Train/03017_1'
flow_dir_path = 'D:\Software\pycharm\DATA_img_2\Flow\DEEP_flow_1'

generate_flow(original_dir_path, flow_dir_path)

三、DeepFlow光流法

3.1 效果图

在这里插入图片描述

3.2 程序

import os
import cv2
import numpy as np
import flow_vis

def generate_flow(src, des): # 以个体为单位生成光流图
    """
    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)
    # print(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[...,1] = 255

    for file in file_list:
    # for i in range(1440):
        path = os.path.join(src, file)
        frame2 = cv2.imread(path)
        next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = cv2.optflow.calcOpticalFlowSparseToDense(prvs, next)
        rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)
        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

        prvs = next
    print('img number:%d' % len(os.listdir(des)))

original_dir_path = 'D:\Software\pycharm\DATA_img\crop/03022_0'.strip('\u202a')
flow_dir_path = ''

generate_flow(original_dir_path, flow_dir_path)

四、FB光流法

4.1 效果图

在这里插入图片描述

4.2 程序

import os
import cv2
import numpy as np

def compute_FlowFarneback(prvs, next):
    """Compute the TV-L1 optical flow."""
    flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 15, 3, 5, 1.2, 0)
    return flow


def generate_flow(src, des):  # 以个体为单位生成光流图
    """
    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """

    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list = os.listdir(src)
    file_list = sorted(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[..., 1] = 255

    for file in file_list[0:8]:
        prvs_path = os.path.join(src, file_list[0])
        prvs = cv2.imread(prvs_path)
        prvs = cv2.cvtColor(prvs, cv2.COLOR_BGR2GRAY)

        next_path = os.path.join(src, file)
        next = cv2.imread(next_path)
        next = cv2.cvtColor(next, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = compute_FlowFarneback(prvs, next)
        # rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)

        # 笛卡尔坐标转换为极坐标，获得极轴和极角
        mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        hsv[..., 0] = ang * 180 / np.pi / 2
        hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

    for count in range(1432):
        prvs_path = os.path.join(src, file_list[count])
        prvs = cv2.imread(prvs_path)
        prvs = cv2.cvtColor(prvs, cv2.COLOR_BGR2GRAY)

        next_path = os.path.join(src, file_list[count + 8])
        next = cv2.imread(next_path)
        next = cv2.cvtColor(next, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = compute_FlowFarneback(prvs, next)
        # rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)

        # 笛卡尔坐标转换为极坐标，获得极轴和极角
        mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        hsv[..., 0] = ang * 180 / np.pi / 2
        hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file_list[count + 8]), rgb)
        except Exception as e:
            continue
    print('img number:%d' % len(os.listdir(des)))


if __name__ == '__main__':
    original_dir_path = 'D:\Software\pycharm\DATA_img\original/train/03009_1'
    flow_dir_path = 'D:\Software\pycharm\DATA_img/flow\TV_Lceshi/03009_1'
    generate_flow(original_dir_path, flow_dir_path)

五、PCA光流法

5.1 效果图

在这里插入图片描述

5.2 程序

import os
import cv2
import numpy as np
import flow_vis

def generate_flow(src, des): # 以个体为单位生成光流图
    """

    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)
    # print(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[...,1] = 255

    inst = cv2.optflow.createOptFlow_PCAFlow()
    for file in file_list:
    # for i in range(1440):
        path = os.path.join(src, file)
        frame2 = cv2.imread(path)
        next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = inst.calc(prvs, next, None)
        rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)
        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

        prvs = next
    print('img number:%d' % len(os.listdir(des)))

original_dir_path = 'D:\Software\pycharm\DATA_img\crop/03022_0'.strip('\u202a')
flow_dir_path = 'D:\Software\pycharm\DATA_img\crop_flow\PCA_flow'

generate_flow(original_dir_path, flow_dir_path)

六、PCA光流法

程序好像有点问题

6.1效果图

在这里插入图片描述

6.2 程序

import os
import cv2
import numpy as np
import flow_vis

def generate_flow(src, des): # 以个体为单位生成光流图
    """

    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)
    # print(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[...,1] = 255

    for file in file_list:
    # for i in range(1440):
        path = os.path.join(src, file)
        frame2 = cv2.imread(path)
        next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = cv2.optflow.calcOpticalFlowSF(prvs, next, 3, 5, 5)
        # flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 25, 3, 5, 1.2, 1)

        # # print(flow.shape)
        # print(flow)

        # # 笛卡尔坐标转换为极坐标，获得极轴和极角
        # mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        # hsv[..., 0] = ang * 180 / np.pi / 2
        # hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        # rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
        rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)
        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

        prvs = next
    print('img number:%d' % len(os.listdir(des)))

original_dir_path = 'D:\Software\pycharm\DATA_img_2\Train/03017_1'
flow_dir_path = 'D:\Software\pycharmDATA_img_2\Flow\SIMPLE_flow'

generate_flow(original_dir_path, flow_dir_path)

七、TV_L1光流法

7.1 效果图

在这里插入图片描述

7.2 程序

import os
import cv2
import numpy as np

# 指定GPU
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"          #按照PCI_BUS_ID顺序从0开始排列GPU设备
os.environ["CUDA_VISIBLE_DEVICES"] = "2"                #使用第3块GPU进行训练

def compute_TVL1(prev, curr):
    """Compute the TV-L1 optical flow."""
    TVL1 = cv2.optflow.DualTVL1OpticalFlow_create()
    flow = TVL1.calc(prev, curr, None)
    return flow

def generate_flow(src, des): # 以个体为单位生成光流图
    """
    :param src: 原图每个个体的文件夹路径
    :param des: 光流图每个个体的文件夹路径
    :return:
    """
    def mkfile(file):
        if not os.path.exists(file):
            os.makedirs(file)

    file_list=os.listdir(src)
    file_list = sorted(file_list)

    # 获取第一帧
    frame1 = cv2.imread(os.path.join(src, file_list[0]))
    hsv = np.zeros_like(frame1)

    # 遍历每一行的第一列
    hsv[..., 1] = 255

    for file in file_list[0:8]:
        prvs_path = os.path.join(src, file_list[0])
        prvs = cv2.imread(prvs_path)
        prvs = cv2.cvtColor(prvs, cv2.COLOR_BGR2GRAY)

        next_path = os.path.join(src, file)
        next = cv2.imread(next_path)
        next = cv2.cvtColor(next, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = compute_TVL1(prvs, next)
        # rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)

        # 笛卡尔坐标转换为极坐标，获得极轴和极角
        mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        hsv[..., 0] = ang * 180 / np.pi / 2
        hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file), rgb)
        except Exception as e:
            continue

    for count in range(1430):
        prvs_path = os.path.join(src, file_list[count])
        prvs = cv2.imread(prvs_path)
        prvs = cv2.cvtColor(prvs, cv2.COLOR_BGR2GRAY)

        next_path = os.path.join(src, file_list[count+8])
        next = cv2.imread(next_path)
        next = cv2.cvtColor(next, cv2.COLOR_BGR2GRAY)
        # 返回一个两通道的光流向量，实际上是每个点的像素位移值
        flow = compute_TVL1(prvs, next)
        # rgb = flow_vis.flow_to_color(flow, convert_to_bgr=False)

        # 笛卡尔坐标转换为极坐标，获得极轴和极角
        mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
        hsv[..., 0] = ang * 180 / np.pi / 2
        hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
        rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

        mkfile(des)
        # 写入新的文件夹
        try:
            cv2.imwrite(os.path.join(des, file_list[count+8]), rgb)
        except Exception as e:
            continue
    print('img number:%d' % len(os.listdir(des)))




if __name__ == '__main__':
    original_dir_path = 'D:\Software\pycharm\DATA_img\original/train/03022_1'
    flow_dir_path = 'D:\Software\pycharm\DATA_img/flow\TV_Lceshi/03022_1'
    generate_flow(original_dir_path, flow_dir_path)
SuperChuangChuang
关注
  • 20
    点赞
  • 踩
  • 86
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
各种光流估计方法（有代码）-最新方法
07-03
各种光流估计方法（有代码）-最新方法，包括分层约束光流，大位移光流估计，深度匹配，稀疏匹配光流估计方法及相关的代码和文献整理
密集光流提取dense_flow理解
weixin_42486554的博客
03-07 1823
主函数： 输入的参数有： -f 视频文件名称 -x x方向光流文件前缀 -y y方向光流文件前缀 -i rgb图像文件前缀 -b 约束距离 -t 光流提取算法类别（0- 1-） -o 输出格式 std::vector<std::vector<uchar> > out_vec_x, out_vec_y, out_vec_img; calcDenseFlow(vid...
【计算机视觉】目标跟踪| 光流算法详细介绍|附代码
最新发布
Yaoyao2024的博客
03-13 3112
光流（optical flow）是空间运动物体在观察成像平面上的像素运动的瞬时速度。所谓光流就是瞬时速率，在时间间隔很小（比如视频的连续前后两帧之间）时，也等同于目标点的位移💭🤔所以也就是说，只要我们求出这个“速度”，也就是只要确定当前目标区域的位移，即可确定这个目标在下一帧中的位置（有时候也会说，根据上一帧和当前帧的信息，确定目标在当前帧中的位置）。——这也是生成式方法中逐次逼近搜索的体现，光流法的关键也就在此🌸光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到。
尝试运行示例：LK光流
一个搬运知识的笨小孩
05-09 320
CMakeLists.txt cmake_minimum_required(VERSION 3.13) project(opticalflow) set(CMAKE_CXX_STANDARD 14) //# set(OpenCV_DIR /usr/local/opencv4/lib/cmake/opencv4) find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) include_directories("/
2_DeepFlow采集与分发解决方案白皮书.pdf
07-28
云上环境，虚拟网络环境中，东西向、南北向全流量采集与分发解决方案，不影响业务进程，占用非常少的系统资源，适合多云、多点多地多数据中心、异构的网络环境、支持主流公有云、私有云。
L-K金字塔光流法matlab代码实现
02-25
L-K金字塔光流法matlab代码实现，参考1981年An iterative image registration technique with an application to stereo vision文章
光流法相位提取算法
02-02
基于光流法相位提取算法，算法原理参考文献如下：http://xueshu.baidu.com/s?wd=paperuri:(6693bffe5b39e4313bdbf0e6f689c32f)&filter=sc_long_sign&sc_ks_para=q=Two-step+interferometry+by+a+regularized+optical+flow+algorithm.&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8&sc_us=8460198150876528259
DIS 光流详解
热门推荐
xiechaoyi123的博客
06-18 1万+
DIS光流文章：Fast Optical Flow using Dense Inverse Search 由Till Kroeger等人在2016年提出的。 目的：实现快速的稠密光流算法； 亲测数据：2000*1000彩色图像 CPU版本20ms左右，1000*1000彩色图像CPU版本10ms左右（最快的版本） 电脑配置： 调用程序如下： cv::Ptr<DenseOptica...
[LK光流法，disflow using Dense Inverse Search, VariationalRefinement变分优化 原理和代码]
tony365的博客
03-02 1393
上面有一些struct 继承自ParallelLoopBody, 主要是tbb的优化方法并行加速操作calc函数: 比如输入为I0,I1两个图像，和一个光流flow, 然后主要调用calcUV函数CV_Assert(!CV_Assert(!CV_Assert(!Mat uv[2];calcUV函数：也是整个算法的框架//一些assert操作， 对输入的要求CV_Assert(!CV_Assert(!CV_Assert(!CV_Assert(!
OpenCV4中DIS光流算法与应用
小白学视觉
07-02 2253
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达OpenCV4中新光流算法 - DIS光流OpenCV中KLT稀疏光流算法与FB稠密光流算法都是十年前的算法，没有反应出光流算法的最新进展，这个跟OpenCV其它模块相比，光流算法模块的更新明显滞后、OpenCV4发布终于把DIS光流算法包含到正式的发布版中。相对于FB光流基于多项式实现光流移动估算，D...
【视觉SLAM入门】6.1. （基于直接法的视觉里程计）LK光流法，代码解读, 直接法，特征点法对比，稀疏，半稠密，稠密地图
Eric_Sober的博客
08-28 648
上一届介绍了特征点法估计相机位姿，但是由于计算量，本节介绍计算量更少的直接法。首先是直接法前身-LK光流法的推导，理论和代码分析，结果分析，引出直接法，稀疏直接法，半稠密直接法，稠密直接法以及运动环境和适用条件，优势劣势对比。
DeepFlow_Web:2021年3月1日학로젝트로젝트（前端）
04-02
Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 yarn eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从项目中删除单个构建依赖项。 相反，它将所有配置文件和传递依赖项（webpack，
DeepFlow_Server:2021年3月1日학로젝트로실습（后端）
03-17
一个渐进式的框架，用于构建高效且可扩展的服务器端应用程序。 描述 框架TypeScript入门资料库。 安装 $ npm install 运行应用 # development $ npm run start # watch mode $ npm run start:dev # production mode $ npm run start:prod 测试 # unit tests $ npm run test # e2e tests $ npm run test:e2e # test coverage $ npm run test:cov 支持 Nest是MIT许可的开源项目。 得益于赞助商和出色支持者的支持，它可以发展壮大。 如果您想加入他们，请。 保持联系 作者 网站-https: 执照 Nest已。
matlab有损压缩代码-cityscape_experiments:市容_实验
05-27
matlab有损压缩代码城市景观实验 这些是城市景观数据集的实验结果。 实验是利用城市景观数据集的法兰克福部分进行的。 数据集 法兰克福数据集包含约80,000帧，包括3个阶段（我们将其称为长阶段），这部分数据集主要用于压缩实验，因为在这11个帧中都无法使用地面真实性。 大部分实验使用了法兰克福数据集的一个子集：每个序列30帧的50个序列。 30帧中的每20帧都有地面真像素级对象分割信息（对象类型和类别信息）。 样本（帧）： 地面实况样本： 实验 压缩与失真体验 去噪的影响 光流实验 目标检测/分割实验 原始结果位于日志文件夹中。 而所有脚本都在主文件夹中。 ：包含日志 ：用于从连续帧创建视频的脚本 ：检索第20帧（和第19帧）以进行实验并与地面真实情况进行比较 ：运行对象检测实验，将结果与GT进行比较。 我们使用（拉普拉斯金字塔重建和语义细分优化）算法，这是Cityscape数据集基准中最好的算法之一。 ：对config.ini文件中提到的特定编解码器和crf值运行Farneback光流算法 ：运行DeepFLow2光流算法 压缩与失真实验（总共可存储50个视频） 这些结果适用于30
video-loops:使用光流自动循环图像序列
04-14
视频循环 使用光流自动循环图像序列 C ++ / （> 4.2.0） 在Ubuntu 18.04（KDE Neon）上进行了测试 方法 ： 选择循环的第一帧和最后一帧（循环区域）。 （要获得看不见的结果，它们显然必须尽可能相似）。 切成两半，交换两部分。 （进攻削减现在在循环的中间）。 在中间框架周围将A朝B渐隐。 （请注意，您将在循环之前和之后使用一些帧） 使用光流进行淡入淡出： 在中生成来自A / B对帧的双向光流矢量场。 格式。它们用于将frameA变形为frameB，反之亦然。然后将每个变形的帧进行混合，以生成流驱动的变形。 光流法： OpenCV：实现了大多数opencv建议的方法 ocv_deepflow 法恩巴克 电视1 简单流程 斯巴塞定 rlof_epic rlof_ric pcaflow 流量 我通常使用ocv_deepflow获得不错的结果。
denseflow视频截帧提取光流工具
I am what i am
12-22 1万+
本篇博客介绍如何安装denseflow工具，由https://github.com/yjxiong/dense_flow提供。 这个工具可以对视频进行截帧，并计算光流保存到本地，使用了GPU编译的OpenCV，所以提取速度很快，后续可以用于行为动作识别中，例如two-stream网络、TSN等。 1、简单介绍 官方提供的安装方式很简单，如下，编译后就可以了，但往往不尽如人意，每次编译都会遇到各种...
玩转OpenCV 4.0（一）：调用Dis光流算法示例
weixin_43922139的博客
12-04 4906
玩转OpenCV 4.0（一）：调用Dis光流算法示例调用DIS光流的源码如下：对应CMakelists如下： 调用DIS光流的源码如下： #include "opencv2/core/utility.hpp" #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" #include "opencv2/video.hpp" #in...
DeepFlow高效的光流匹配算法（下）
点云PCL
08-25 2521
分享本周主要介绍一篇基于传统光流法而改进的实现快速的稠密光流算法。该算法已经集成到OpenCV中，算法介绍网址：http://lear.inrialpes.fr/src/deepmatch...
光流的概念以及 Lucas-Kanade 光流法
yyyyyya_的博客
07-18 655
函数将返回带有状态数的点，如果状态数是1，那说明在下一帧图像中找到了这个点（上一帧中角点），如果状态数是0，就说明没有在下一帧图像中找到这个点。从使用者的角度来看，想法很简单，我们取跟踪一些点，然后我们就会获得这些点的光流向量。我们可以使用图像金字塔的顶层，此时小的运动被移除，大的运动装换成了小的运动，现在再使用Lucas-Kanade算法，我们就会得到尺度空间上的光流。Lucas-Kanade法是计算一些特征点的光流（我们上面的例子使用的是Shi-Tomasi算法检测到的角点）。...
(mode = 'pcaflow', 'deepflow', 'disflow', 'franeback', 'simpleflow' or 'denseflow')
06-13
(mode = 'pcaflow', 'deepflow', 'disflow', 'franeback', 'simpleflow' or 'denseflow') 是针对光流算法中不同的实现方式进行选择的参数。具体来说： - 'pcaflow' 表示基于主成分分析的光流估计方式； - 'deepflow' 表示采用深度学习的方式进行光流估计； - 'disflow' 表示基于视差的光流估计方式； - 'franeback' 表示采用 Gunnar Farneback 所提出的光流估计算法； - 'simpleflow' 表示基于互相关的光流估计算法； - 'denseflow' 表示密集光流估计算法，与前面几种算法不同的是，它可以同时得到整张图像中每个像素点的光流位移向量。 不同的算法在光流估计的准确性、速度、鲁棒性等方面会有所差异，具体选择哪种算法需要根据实际应用场景和要求进行权衡。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值