OpenCV之稠密光流

介绍

参考链接

在OpenCV中，光流分为稀疏光流和稠密光流，关于稀疏光流可以参考之前的文章
OpenCV之光流

稠密光流的解释，可以参考OpenCV官方文档

OpenCV提供了另一种算法来寻找密集的光流。它计算帧中所有点的光流。它基于Gunner Farneback的算法，该算法在Gunner法尔内巴克2003年的“基于多项式展开的双帧运动估计”中进行了解释。

其实稀疏光流和稠密光流的区别，见名知义，稀疏光流是跟踪部分点，而稠密光流跟踪的是全部的点。

实现

OpenCV中的API如下：

void cv::calcOpticalFlowFarneback(
	InputArray 	prev,
	InputArray 	next,
	InputOutputArray 	flow,
	double 	pyr_scale,
	int 	levels,
	int 	winsize,
	int 	iterations,
	int 	poly_n,
	double 	poly_sigma,
	int 	flags 
)	
1
2
3
4
5
6
7
8
9
10
11
12

参数解释

• prev，前一帧8位单通道输入图像
• next，当前帧图像，大小和类型与prev相同
• flow，输出流图像，其大prev相同，类型为CV_32FC2
• pyr_scale，指定为每个图像构建金字塔的图像比例(
• levels，金字塔层数(包括初始图像); levels = 1意味着不会创建额外的图层，只会使用原始图像
• winsize，平均窗口大小；较大的值提高了算法对图像的鲁棒性，并可以检测更快速的运动，但会产生更模糊的运动场
• iterations，每个金字塔等级上执行迭代算法的迭代次数。用于在每个像素中查找多项式展开的像素邻域;
• poly_n，用于在每个像素中找到多项式展开的像素邻域的大小；较大的值意味着图像将近似于更平滑的表面，从而产生更多鲁棒算法和更模糊的运动场，通常poly_n＝5或7
• poly_sigma，于平滑导数的高斯的标准偏差，用作多项式展开的基础;对于poly_n = 5，可以设置poly_sigma = 1.1，对于poly_n = 7，可以设置poly_sigma = 1.5;
• flags，操作标志，可取计算方法有：
  OPTFLOW_USE_INITIAL_FLOW 使用输入流作为初始流近似。
  OPTFLOW_FARNEBACK_GAUSSIAN 使用Gaussian winsize×winsiz过滤器代替光流估计的相同大小的盒子过滤器;通常情况下，这个选项可以比使用箱式过滤器提供更精确的流量，代价是速度更低;通常，应将高斯窗口的胜利设置为更大的值以实现相同的稳健性水平。

代码例子

官方例子，计算得到一个具有光流矢量（u，v）的双通道阵列。我们找到了它们的大小和方向。我们对结果进行颜色编码，以便更好地可视化。方向对应于图像的色调值。幅值对应于“值”平面。

#include 
#include 
#include 
#include 
#include 
#include 

using namespace cv;
using namespace std;

int main()
{
    VideoCapture capture("../vtest.avi");
    if (!capture.isOpened()){
        //error in opening the video input
        cerr << "Unable to open file!" << endl;
        return 0;
    }

    Mat frame1, prvs;
    capture >> frame1;
    cvtColor(frame1, prvs, COLOR_BGR2GRAY);

    while(true){
        Mat frame2, next;
        capture >> frame2;
        if (frame2.empty())
            break;
        cvtColor(frame2, next, COLOR_BGR2GRAY);

        Mat flow(prvs.size(), CV_32FC2);
        calcOpticalFlowFarneback(prvs, next, flow, 0.5, 3, 15, 3, 5, 1.2, 0);

        // visualization
        Mat flow_parts[2];
        split(flow, flow_parts);
        Mat magnitude, angle, magn_norm;
        cartToPolar(flow_parts[0], flow_parts[1], magnitude, angle, true);
        normalize(magnitude, magn_norm, 0.0f, 1.0f, NORM_MINMAX);
        angle *= ((1.f / 360.f) * (180.f / 255.f));

        //build hsv image
        Mat _hsv[3], hsv, hsv8, bgr;
        _hsv[0] = angle;
        _hsv[1] = Mat::ones(angle.size(), CV_32F);
        _hsv[2] = magn_norm;
        merge(_hsv, 3, hsv);
        hsv.convertTo(hsv8, CV_8U, 255.0);
        cvtColor(hsv8, bgr, COLOR_HSV2BGR);

        imshow("frame2", bgr);
		imshow("img", prvs);

        int keyboard = waitKey(30);
        if (keyboard == 'q' || keyboard == 27)
            break;

        prvs = next;
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

运行截图