opencv光流法（opencv光流法 车辆）

## OpenCV 光流法### 简介光流法 (Optical Flow) 是计算机视觉中一种用于分析视频序列中物体运动的方法。它通过检测图像序列中像素点的位移，来推断场景中物体的运动。简单来说，光流法就是观察一系列图像中每个像素点的运动，并将其表示为一个向量，这个向量被称为光流向量。### 光流法的原理光流法基于以下假设：

相邻帧之间存在着像素位移。

像素的亮度在运动过程中保持不变。光流法的基本原理是，通过比较相邻两帧图像中相同像素点的亮度变化，来计算像素点的位移。常用的光流算法包括：

Lucas-Kanade 算法：

该算法基于局部图像块的运动，假设图像块内所有像素点都具有相同的位移。

Horn-Schunck 算法：

该算法基于全局运动估计，考虑图像整体的运动信息。

Farneback 算法：

该算法是 Lucas-Kanade 算法的改进，它使用加权平均来计算像素点的位移，并考虑了图像的梯度信息。### OpenCV 中的光流法实现OpenCV 提供了多种光流算法的实现，可以通过 `cv2.calcOpticalFlowXXX()` 函数进行调用。

1. Lucas-Kanade 算法:

```python import cv2# 读取两帧图像 prev_gray = cv2.imread('frame1.jpg', cv2.IMREAD_GRAYSCALE) gray = cv2.imread('frame2.jpg', cv2.IMREAD_GRAYSCALE)# 设置光流参数 lk_params = dict(winSize=(15, 15), maxLevel=2, criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))# 计算光流 p0 = cv2.goodFeaturesToTrack(prev_gray, mask=None,

feature_params) p1, st, err = cv2.calcOpticalFlowPyrLK(prev_gray, gray, p0, None,

lk_params)# 绘制光流向量 for i, (new, old) in enumerate(zip(p1, p0)):a, b = new.ravel()c, d = old.ravel()cv2.line(gray, (a, b), (c, d), (0, 255, 0), 2)cv2.circle(gray, (a, b), 5, (0, 0, 255), -1)# 显示结果 cv2.imshow('Optical Flow', gray) cv2.waitKey(0) cv2.destroyAllWindows() ```

2. Farneback 算法:

```python import cv2# 读取两帧图像 prev_gray = cv2.imread('frame1.jpg', cv2.IMREAD_GRAYSCALE) gray = cv2.imread('frame2.jpg', cv2.IMREAD_GRAYSCALE)# 计算光流 flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)# 可视化光流 hsv = np.zeros_like(gray) hsv[..., 1] = 255 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) bgr = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)# 显示结果 cv2.imshow('Optical Flow', bgr) cv2.waitKey(0) cv2.destroyAllWindows() ```### 光流法的应用

物体追踪:

光流法可以用于跟踪视频序列中的物体，例如车辆追踪、人脸追踪等。

运动分析:

光流法可以用来分析物体的运动方向、速度和加速度，例如足球比赛的分析、人体的动作识别等。

场景重建:

光流法可以用来重建三维场景，例如自动驾驶的场景重建、机器人导航等。### 总结光流法是一种重要的计算机视觉技术，它在许多领域都有广泛的应用。OpenCV 提供了丰富的光流算法实现，方便开发者进行相关研究和应用开发。

OpenCV 光流法

简介光流法 (Optical Flow) 是计算机视觉中一种用于分析视频序列中物体运动的方法。它通过检测图像序列中像素点的位移，来推断场景中物体的运动。简单来说，光流法就是观察一系列图像中每个像素点的运动，并将其表示为一个向量，这个向量被称为光流向量。

光流法的原理光流法基于以下假设：* 相邻帧之间存在着像素位移。 * 像素的亮度在运动过程中保持不变。光流法的基本原理是，通过比较相邻两帧图像中相同像素点的亮度变化，来计算像素点的位移。常用的光流算法包括：* **Lucas-Kanade 算法：** 该算法基于局部图像块的运动，假设图像块内所有像素点都具有相同的位移。 * **Horn-Schunck 算法：** 该算法基于全局运动估计，考虑图像整体的运动信息。 * **Farneback 算法：** 该算法是 Lucas-Kanade 算法的改进，它使用加权平均来计算像素点的位移，并考虑了图像的梯度信息。

OpenCV 中的光流法实现OpenCV 提供了多种光流算法的实现，可以通过 `cv2.calcOpticalFlowXXX()` 函数进行调用。**1. Lucas-Kanade 算法:**```python import cv2

读取两帧图像 prev_gray = cv2.imread('frame1.jpg', cv2.IMREAD_GRAYSCALE) gray = cv2.imread('frame2.jpg', cv2.IMREAD_GRAYSCALE)

设置光流参数 lk_params = dict(winSize=(15, 15), maxLevel=2, criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))

计算光流 p0 = cv2.goodFeaturesToTrack(prev_gray, mask=None, **feature_params) p1, st, err = cv2.calcOpticalFlowPyrLK(prev_gray, gray, p0, None, **lk_params)

绘制光流向量 for i, (new, old) in enumerate(zip(p1, p0)):a, b = new.ravel()c, d = old.ravel()cv2.line(gray, (a, b), (c, d), (0, 255, 0), 2)cv2.circle(gray, (a, b), 5, (0, 0, 255), -1)

显示结果 cv2.imshow('Optical Flow', gray) cv2.waitKey(0) cv2.destroyAllWindows() ```**2. Farneback 算法:**```python import cv2

读取两帧图像 prev_gray = cv2.imread('frame1.jpg', cv2.IMREAD_GRAYSCALE) gray = cv2.imread('frame2.jpg', cv2.IMREAD_GRAYSCALE)

计算光流 flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)

可视化光流 hsv = np.zeros_like(gray) hsv[..., 1] = 255 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) bgr = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

显示结果 cv2.imshow('Optical Flow', bgr) cv2.waitKey(0) cv2.destroyAllWindows() ```

光流法的应用* **物体追踪:** 光流法可以用于跟踪视频序列中的物体，例如车辆追踪、人脸追踪等。 * **运动分析:** 光流法可以用来分析物体的运动方向、速度和加速度，例如足球比赛的分析、人体的动作识别等。 * **场景重建:** 光流法可以用来重建三维场景，例如自动驾驶的场景重建、机器人导航等。

总结光流法是一种重要的计算机视觉技术，它在许多领域都有广泛的应用。OpenCV 提供了丰富的光流算法实现，方便开发者进行相关研究和应用开发。