opencv3/Python中稠密光流calcOpticalFlowFarneback的示例分析

這篇文章主要介紹了opencv3/Python中稠密光流calcOpticalFlowFarneback的示例分析，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

光流是由物體或相機的運動引起的圖像對象在兩個連續(xù)幀之間的視在運動模式.光流方法計算在t和 t+Δtt+Δt時刻拍攝的兩個圖像幀之間的每個像素的運動位置。這些方法被稱為差分，因為它們基于圖像信號的局部泰勒級數(shù)近似; 也就是說，它們使用關于空間和時間坐標的偏導數(shù)。

和稀疏光流相比,稠密光流不僅僅是選取圖像中的某些特征點(一般用角點)進行計算;而是對圖像進行逐點匹配,計算所有點的偏移量,得到光流場,從而進行配準.因此其計算量會顯著大于稀疏光流,但效果一般優(yōu)于稀疏光流.

函數(shù):

def calcOpticalFlowFarneback(prev, next, flow, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags):

使用Gunnar Farneback算法計算密集光流。

相關參數(shù):

prev 輸入前一幀圖像(8位單通道);

next 輸入后一幀圖像(與prev大小和類型相同);

flow 計算的流量圖像具有與prev相同的大小并為CV_32FC2類型;

pyr_scale 指定圖像比例（\ <1）為每個圖像構(gòu)建金字塔; pyr_scale = 0.5意味著一個古典金字塔，其中每個下一層比前一層小兩倍。

levels 金字塔層數(shù)包括初始圖像; levels = 1意味著不會創(chuàng)建額外的圖層，只會使用原始圖像。

winsize 平均窗口大小;較大的值會增加算法對圖像噪聲的魯棒性，并可以檢測更快速的運動，但會產(chǎn)生更模糊的運動場。

iterations 每個金字塔等級上執(zhí)行迭代算法的迭代次數(shù)。用于在每個像素中查找多項式展開的像素鄰域;

poly_n大小;較大的值意味著圖像將近似于更光滑的表面，產(chǎn)生更穩(wěn)健的算法和更模糊的運動場，一般取poly_n = 5或7。

poly_sigma用于平滑導數(shù)的高斯的標準偏差，用作多項式展開的基礎;對于poly_n = 5，可以設置poly_sigma = 1.1，對于poly_n = 7，可以設置poly_sigma = 1.5;

flags 操作標志，可取計算方法有：

OPTFLOW_USE_INITIAL_FLOW 使用輸入流作為初始流近似。

OPTFLOW_FARNEBACK_GAUSSIAN 使用Gaussian winsize×winsizewinsize×winsize過濾器代替光流估計的相同大小的盒子過濾器;通常情況下，這個選項可以比使用箱式過濾器提供更精確的流量，代價是速度更低;通常，應將高斯窗口的勝利設置為更大的值以實現(xiàn)相同的穩(wěn)健性水平。

示例:

#!/usr/bin/python
# coding:utf8

import numpy as np
import cv2

step=10

if __name__ == '__main__':
 cam = cv2.VideoCapture(0)
 ret, prev = cam.read()
 prevgray = cv2.cvtColor(prev, cv2.COLOR_BGR2GRAY)

 while True:
 ret, img = cam.read()
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 # 使用Gunnar Farneback算法計算密集光流
 flow = cv2.calcOpticalFlowFarneback(prevgray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)
 prevgray = gray
 # 繪制線
 h, w = gray.shape[:2]
 y, x = np.mgrid[step / 2:h:step, step / 2:w:step].reshape(2, -1).astype(int)
 fx, fy = flow[y, x].T
 lines = np.vstack([x, y, x + fx, y + fy]).T.reshape(-1, 2, 2)
 lines = np.int32(lines)

 line = []
 for l in lines:
 if l[0][0]-l[1][0]>3 or l[0][1]-l[1][1]>3:
 line.append(l)

 cv2.polylines(img, line, 0, (0,255,255))
 cv2.imshow('flow', img)

 ch = cv2.waitKey(5)
 if ch == 27:
 break
 cv2.destroyAllWindows()

感謝你能夠認真閱讀完這篇文章，希望小編分享的“opencv3/Python中稠密光流calcOpticalFlowFarneback的示例分析”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業(yè)資訊頻道，更多相關知識等著你來學習!