1.光流：optical flow简介

光流(optical flow)法是运动图像分析的重要方法，是指时变图像中模式运动速度。因为当物体在运动时，它在图像上对应点的亮度模式也在运动。

2.算法步骤

算法步骤如下：

1. 令i=1，获得第i帧图像I(x,i)；
2. 获得第i+1帧图像I(x,i+1)；
3. 对图像去噪，得到去燥后图像I ‘(x, i)和I ‘(x, i+1)；
4. 利用I ‘(x, i)和I ‘(x, i+1)计算得到光流场；
5. 计算得到局部动能场K(i)；
6. 利用边缘检测算法(如基于小波的方法)局部动能场并分割图像得到不同的运动单元也理解为一个运动单元)；
7. 由于目标一般较背景小，故提取出体积较运动单元作为检测目标；
8. 计算其质心作为目标位置；
9. 置i=i+1，重复（2）～（8），直至检测结束。

3.代码实现

<code>//--------------------------------------【程序说明】-------------------------------------------
//\t\t程序描述：OpenCV3 + C++ 利用光流法进行运动目标检测
//\t\t测试所用操作系统： Windows 10 64bit 

//\t\t测试所用IDE版本：Visual Studio 2017
//\t\t测试所用OpenCV版本：\t3.4
//\t\t2020年3月 Revised by @DL小宝
//------------------------------------------------------------------------------------------------

//---------------------------------【头文件、命名空间包含部分】----------------------------
//\t\t描述：包含程序所使用的头文件和命名空间
//-------------------------------------------------------------------------------------------------
#include <opencv2>
#include <opencv2>
#include <opencv2>
#include <opencv2>
#include <iostream>
#include <cstdio>

using namespace std;
using namespace cv;

//-----------------------------------【全局函数声明】-----------------------------------------
//\t\t描述：声明全局函数
//-------------------------------------------------------------------------------------------------
void tracking(Mat &frame, Mat &output);
bool addNewPoints();
bool acceptTrackedPoint(int i);

//-----------------------------------【全局变量声明】-----------------------------------------
//\t\t描述：声明全局变量
//-------------------------------------------------------------------------------------------------
string window_name = "optical flow tracking";
Mat gray;\t// 当前图片
Mat gray_prev;\t// 预测图片
vector<point2f> points[2];\t// point0为特征点的原来位置，point1为特征点的新位置
vector<point2f> initial;\t// 初始化跟踪点的位置
vector<point2f> features;\t// 检测的特征
int maxCount = 500;\t// 检测的最大特征数
double qLevel = 0.01;\t// 特征检测的等级
double minDist = 10.0;\t// 两特征点之间的最小距离 

vector<uchar> status;\t// 跟踪特征的状态，特征的流发现为1，否则为0
vector<float> err;

//--------------------------------【help( )函数】----------------------------------------------
//\t\t描述：输出帮助信息
//-------------------------------------------------------------------------------------------------
static void help()
{
\t//输出欢迎信息和OpenCV版本
\tcout << "\\n\\n\\t\\t\\t   当前使用的OpenCV版本为：" << CV_VERSION
\t\t<< "\\n\\n  ----------------------------------------------------------------------------";
}

//-----------------------------------【main( )函数】--------------------------------------------
//\t\t描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main()
{
\tMat frame;
\tMat result;

\tVideoCapture capture("1.avi");

\thelp();
\tif (capture.isOpened())\t// 摄像头读取文件开关
\t{
\t\twhile (true)
\t\t{
\t\t\tcapture >> frame;
\t\t\tif (!frame.empty())
\t\t\t{
\t\t\t\ttracking(frame, result);
\t\t\t}
\t\t\telse
\t\t\t{
\t\t\t\tprintf(" --(!) No captured frame -- Break!");
\t\t\t\tbreak;
\t\t\t}

\t\t\tint c = waitKey(50);
\t\t\tif ((char)c == 27)
\t\t\t{ 

\t\t\t\tbreak;
\t\t\t}
\t\t}
\t}
\treturn 0;
}

//-------------------------------------------------------------------------------------------------
// function: tracking
// brief: 跟踪
// parameter: frame\t输入的视频帧
//\t\t\t  output 有跟踪结果的视频帧
// return: void
//-------------------------------------------------------------------------------------------------
void tracking(Mat &frame, Mat &output)
{

\t//此句代码的OpenCV3版为：
\tcvtColor(frame, gray, COLOR_BGR2GRAY);

\tframe.copyTo(output);

\t// 添加特征点
\tif (addNewPoints())
\t{
\t\tgoodFeaturesToTrack(gray, features, maxCount, qLevel, minDist);
\t\tpoints[0].insert(points[0].end(), features.begin(), features.end());
\t\tinitial.insert(initial.end(), features.begin(), features.end());
\t}

\tif (gray_prev.empty())
\t{
\t\tgray.copyTo(gray_prev);
\t}
\t// l-k光流法运动估计
\tcalcOpticalFlowPyrLK(gray_prev, gray, points[0], points[1], status, err);
\t// 去掉一些不好的特征点
\tint k = 0;
\tfor (size_t i = 0; i < points[1].size(); i++)
\t{
\t\tif (acceptTrackedPoint(i))
\t\t{
\t\t\tinitial[k] = initial[i];
\t\t\tpoints[1][k++] = points[1][i];
\t\t}
\t} 

\tpoints[1].resize(k);
\tinitial.resize(k);
\t// 显示特征点和运动轨迹
\tfor (size_t i = 0; i < points[1].size(); i++)
\t{
\t\tline(output, initial[i], points[1][i], Scalar(0, 0, 255));
\t\tcircle(output, points[1][i], 3, Scalar(0, 255, 0), -1);
\t}

\t// 把当前跟踪结果作为下一此参考
\tswap(points[1], points[0]);
\tswap(gray_prev, gray);

\timshow(window_name, output);
}

//-------------------------------------------------------------------------------------------------
// function: addNewPoints
// brief: 检测新点是否应该被添加
// parameter:
// return: 是否被添加标志
//-------------------------------------------------------------------------------------------------
bool addNewPoints()
{
\treturn points[0].size() <= 10;
}

//-------------------------------------------------------------------------------------------------
// function: acceptTrackedPoint
// brief: 决定哪些跟踪点被接受
// parameter:
// return:
//-------------------------------------------------------------------------------------------------
bool acceptTrackedPoint(int i)
{
\treturn status[i] && ((abs(points[0][i].x - points[1][i].x) + abs(points[0][i].y - points[1][i].y)) > 2);
}/<float>/<uchar>/<point2f>/<point2f>/<point2f>/<cstdio>/<iostream>/<opencv2>/<opencv2>/<opencv2>/<opencv2>/<code>

閱讀更多 DL小寶 的文章

關鍵字: 体育 电脑 光流