OpenCv_06——光流估计

上一篇： OpenCv_05——背景建模

6. 光流估计

光流是空间运动物体在观测成像平面上的像素运动的"瞬时速度"，根据各个像素点的速度矢量特征，可以对图像进行动态分析，例如目标跟踪。

• 亮度恒定：同一点随着时间的变化，其亮度不会发生改变。
• 小运动：随着时间的变化不会引起位置的剧烈变化，只有小运动情况下才能用前后帧之间单位位置变化引起的灰度变化去近似灰度对位置的偏导数。
• 空间一致；一个场景上临近的点投影到图像上也是邻近点，且邻近点速度一致。因为光流法基本方程约束只有一个，而要求x,y方向的速度，有两个未知变量。所以需要联立n多个方程求解。

6.1 Lucas-Kanade算法

约束方程

最小二乘法

cv2.calcOpticalFlowPyrLK()

参数	说明
preaImage	前一帧图像
nextImage	当前帧图像
prevPts	待跟踪的特征点向量
winSize	搜索窗口的大小
maxtus	最大的金字塔层数

返回	说明
nextPts	输出跟踪特征点向量
status	特征点是否找到，找到的状态为1，未找到状态为0

import numpy as np
import cv2
 
cap = cv2.VideoCapture('xxx.avi')
 
# 角点检测所需参数：
# 角点最大数量（效率）；
# 品质因子（筛选角点；特征值越大，角点越少，效果越好）；
# 距离相当于这区间有比这个角点强的，就不要这个弱的了
feature_params = dict( maxCorners = 100,
                       qualityLevel = 0.3,
                       minDistance = 7)
 
# lucas kanade参数
lk_params = dict( winSize  = (15,15),
                  maxLevel = 2)
 
# 随机颜色条
color = np.random.randint(0,255,(100,3))
 
# 拿到第一帧图像
ret, old_frame = cap.read()
old_gray = cv2.cvtColor(old_frame, cv2.COLOR_BGR2GRAY)
# 返回所有检测特征点，需要输入图像，
# 
p0 = cv2.goodFeaturesToTrack(old_gray, mask = None, **feature_params)
 
# 创建一个mask
mask = np.zeros_like(old_frame)
 
while(True):
    ret,frame = cap.read()
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
 
    # 需要传入前一帧和当前图像以及前一帧检测到的角点
    p1, st, err = cv2.calcOpticalFlowPyrLK(old_gray, frame_gray, p0, None, **lk_params)
 
    # st=1表示
    good_new = p1[st==1]
    good_old = p0[st==1]
 
    # 绘制轨迹
    for i,(new,old) in enumerate(zip(good_new,good_old)):
        a,b = new.ravel()  
        #把a转成整数
        a=int(a)
        b=int(b)
        c,d = old.ravel() 
        c=int(c)
        d=int(d)
        mask = cv2.line(mask, (a,b),(c,d), color[i].tolist(), 2)  
        frame = cv2.circle(frame,(a,b),5,color[i].tolist(),-1)
    img = cv2.add(frame,mask)
 
    cv2.imshow('frame',img)
    k = cv2.waitKey(150) & 0xff
    if k == 27:
        break
 
    # 更新
    old_gray = frame_gray.copy()
    p0 = good_new.reshape(-1,1,2)

cv2.destroyAllWindows()
cap.release()