目标检测光流法（二）：opencv下的光流L-K算法

后续将简单介绍光流法的一些简单实现包，包括opencv下的光流算法与matlab下的光流算法。该节主要介绍opencv下的光流实现。

Opencv的光流实现由好几个方法可以（也就是说有好几个函数可以用），每个函数当然也对应着不同的原理，那么它的效果以及算法的速度等等就会有一些差别。主要包括以下几种：
calcOpticalFlowPyrLK
calcOpticalFlowFarneback
calcOpticalFlowBM
calcOpticalFlowHS
calcOpticalFlowSF

参见opencv文档介绍

这里先简单介绍下calcOpticalFlowPyrLK函数
calcOpticalFlowPyrLK函数使用形式：
calcOpticalFlowPyrLK(prevImg,nextImg,prevPts,nextPts,status,err)
这个函数还有一些可选参数，一大堆，详细的说明可以看opencv介绍：

这里只是贴出了主要的几个输入输出：
prevImg：就是你需要输入计算光流的前一帧图像

nextImg就是下一帧图像（可以看到一次光流就是在两针图像之间找不同）。

prevPts是前一帧图像中的特征点，这个特征点必须自己去找，所以在使用calcOpticalFlowPyrLK函数的时候，前面需要有一个找特征点的操作，那么一般就是找图像的角点，就是一个像素点与周围像素点都不同的那个点，这个角点特征点的寻找，opencv也提供夜歌函数：goodFeatureToTrack(）（后面再介绍这个函数）。那么关于特征点有没有其他的方式呢？肯定是有的而且还很多吧。

nextPts参数就是计算特征点在第二幅图像中的新的位置，然后输出。特征点的新位置可能变化了，也可能没有变化，那么这种状态就存放在后一个参数status中。err就是新旧两个特征点位置的误差了，也是一个输出矩阵。
其他参数默认吧。

关于特征角点检测函数goodFeatureToTrack(）
goodFeaturesToTrack(image,corners,maxCorners,qualityLevel,minDistance）
函数的参数：
image输入图像；
corners输出的特征点系列，每一个元素就是一个特征点的位置。
maxCorners规定的特征点最大数目，比如一副图像你可以找到很多特征点，但是只是取前maxCorners个具有最大特征的那些点作为最后的特征点，至于怎么判断哪些点的特征更好了，opencv自有一个机制，随便一个方法，比如计算一下这个点与周围一定领域的点的灰度相差求和，认为这个和越大的那些点是不是越属于特征点。
qualityLevel是一个特征点的取到水平，其实也是控制特征点的选取的，看结果适当选取吧。
minDistance是特征点与点之间的最小距离，一般我们如果想特征点尽量分散一些，太密集了肯定不好，那么我们可以通过这个参数。

比如说一个例子如下：

#include 
#include 
#include 

using namespace std;
using namespace cv;
int main()
{
    Mat I1;
    Mat I2;
    vector features;
    int maxCout = 50;//定义最大个数
    double minDis = 20;//定义最小距离
    double qLevel = 0.01;//定义质量水平

    I1 = imread("I1.jpg",0);//读取为灰度图像
    goodFeaturesToTrack(I1,features,maxCout,qLevel,minDis);
    for(int i=0;i//将特征点画一个小圆出来--粗细为2
        circle(I1,features[i],3,Scalar(255),2);
    }
    imshow("features",I1);
    waitKey(0);
    return 0;
}

修改下 int maxCout = 100;//定义最大个数
double minDis = 10;//定义最小距离

下面通过这种特征点来以及L-K光流法来检测两幅相邻帧图像之间的移动点。首先自己准备两幅图吧，图中要有运动的目标才好，然后我们就这两幅图简单的看下里面的运动目标的特征点的运动吧，一个简单程序如下：

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

using namespace std;
using namespace cv;
int main()
{
    Mat I1;
    Mat I2;
    vector features;
    vector features_after;
    vector status;
    vector<float> err;
    int maxCout = 300;//定义最大个数
    double minDis = 10;//定义最小距离
    double qLevel = 0.01;//定义质量水平
    //读取两个图像---相邻帧
    I1 = imread("I1.jpg",0);//读取为灰度图像
    I2 = imread("I2.jpg",0);
    //检测第一帧的特征点
    goodFeaturesToTrack(I1,features,maxCout,qLevel,minDis);
    //计算出第二帧的特征点
    calcOpticalFlowPyrLK(I1,I2,features,features_after,status,err);
    //判别哪些属于运动的特征点
    int k = 0;
    for(int i=0;i//状态要是1，并且坐标要移动下的那些点
        if(status[i]&&((abs(features[i].x-features_after[i].x)+
            abs(features[i].y-features_after[i].y))>4))
        {
            features_after[k++] = features_after[i];
        }
    }
    features_after.resize(k);//截取
    cout<for(int i=0;i//将特征点画一个小圆出来--粗细为2
        circle(I1,features_after[i],3,Scalar(255),2);
    }
    imshow("features",I1);
    waitKey(0);
    return 0;
}

我的这两幅树叶图是存在这一些变化的，尤其树存在的地方，由于需要动态的来回切换着看才能看出变化，所以这里不太好显示这两幅图的变化，这里吧他们相差的图做出来如下：

可以看到的是越白的地方就是存在着不一致，也就是存在着明显运动的地方。和上面角点检测的还是有点符合的。
当然，我这可能只是连续两帧运动情况下的跟踪的特征点，如果是一个视频（连续的很多帧），那么把每两帧之间的运动点连接起来，就可以发现运动的物体的整个轨迹了。像网上博客有人做过的贴几个：
Opencv学习笔记（九）光流法