詳細說明

稠密光流演算法計算每個點的運動

cv::optflow::calcOpticalFlowSF
cv::optflow::createOptFlow_DeepFlow

運動模板是檢測運動並計算其方向的另一種技術。參見 samples/motempl.py。

cv::motempl::updateMotionHistory
cv::motempl::calcMotionGradient
cv::motempl::calcGlobalOrientation
cv::motempl::segmentMotion

讀取和寫入“Middlebury”格式 .flo 檔案的函式，參見：http://vision.middlebury.edu/flow/code/flow-code/README.txt

類
類	cv::optflow::DenseRLOFOpticalFlow
	基於魯棒區域性光流 (RLOF) 演算法和稀疏到稠密插值方案的快速稠密光流計算。更多...

類	cv::optflow::DualTVL1OpticalFlow
	“Dual TV L1”光流演算法。更多...

類	cv::optflow::GPCDetails

類	cv::optflow::GPCForest< T >

結構體	cv::optflow::GPCMatchingParams
	封裝匹配引數的類。更多...

結構體	cv::optflow::GPCPatchDescriptor

結構體	cv::optflow::GPCPatchSample

結構體	cv::optflow::GPCTrainingParams
	封裝訓練引數的類。更多...

類	cv::optflow::GPCTrainingSamples
	封裝訓練樣本的類。更多...

類	cv::optflow::GPCTree
	單棵樹的類。更多...

類	cv::optflow::OpticalFlowPCAFlow
	PCAFlow 演算法。更多...

類	cv::optflow::PCAPrior
	此類可用於對生成的光流施加學習過的先驗。解將根據該先驗進行正則化。您需要事先使用“learn_prior.py”指令碼生成適當的先驗檔案。更多...

類	cv::optflow::RLOFOpticalFlowParameter
	用於儲存和設定魯棒區域性光流 (RLOF) 演算法的引數。更多...

類	cv::optflow::SparseRLOFOpticalFlow
	用於計算稀疏光流並使用魯棒區域性光流 (RLOF) 演算法進行特徵跟蹤的類。更多...

型別定義 (Typedefs)
typedef std::vector< GPCPatchSample >	cv::optflow::GPCSamplesVector

列舉
enum	cv::optflow::GPCDescType { cv::optflow::GPC_DESCRIPTOR_DCT = 0 , cv::optflow::GPC_DESCRIPTOR_WHT }
	全域性塊碰撞器 (Global Patch Collider) 的描述符型別。更多...

enum	cv::optflow::InterpolationType { cv::optflow::INTERP_GEO = 0 , cv::optflow::INTERP_EPIC = 1 , cv::optflow::INTERP_RIC = 2 }

enum	cv::optflow::SolverType { cv::optflow::ST_STANDART = 0 , cv::optflow::ST_BILINEAR = 1 }

enum	cv::optflow::SupportRegionType { cv::optflow::SR_FIXED = 0 , cv::optflow::SR_CROSS = 1 }

函式
double	cv::motempl::calcGlobalOrientation (InputArray orientation, InputArray mask, InputArray mhi, double timestamp, double duration)
	計算選定區域中的全域性運動方向。

void	cv::motempl::calcMotionGradient (InputArray mhi, OutputArray mask, OutputArray orientation, double delta1, double delta2, int apertureSize=3)
	計算運動歷史影像的梯度方向。

void	cv::optflow::calcOpticalFlowDenseRLOF (InputArray I0, InputArray I1, InputOutputArray flow, Ptr< RLOFOpticalFlowParameter > rlofParam=Ptr< RLOFOpticalFlowParameter >(), float forwardBackwardThreshold=0, Size gridStep=Size(6, 6), InterpolationType interp_type=InterpolationType::INTERP_EPIC, int epicK=128, float epicSigma=0.05f, float epicLambda=100.f, int ricSPSize=15, int ricSLICType=100, bool use_post_proc=true, float fgsLambda=500.0f, float fgsSigma=1.5f, bool use_variational_refinement=false)
	基於魯棒區域性光流 (RLOF) 演算法和稀疏到稠密插值方案的快速稠密光流計算。

void	cv::optflow::calcOpticalFlowSF (InputArray from, InputArray to, OutputArray flow, int layers, int averaging_block_size, int max_flow)

void	cv::optflow::calcOpticalFlowSF (InputArray from, InputArray to, OutputArray flow, int layers, int averaging_block_size, int max_flow, double sigma_dist, double sigma_color, int postprocess_window, double sigma_dist_fix, double sigma_color_fix, double occ_thr, int upscale_averaging_radius, double upscale_sigma_dist, double upscale_sigma_color, double speed_up_thr)
	使用“SimpleFlow”演算法計算光流。

void	cv::optflow::calcOpticalFlowSparseRLOF (InputArray prevImg, InputArray nextImg, InputArray prevPts, InputOutputArray nextPts, OutputArray status, OutputArray err, Ptr< RLOFOpticalFlowParameter > rlofParam=Ptr< RLOFOpticalFlowParameter >(), float forwardBackwardThreshold=0)
	使用類似於 optflow::calcOpticalFlowPyrLK() 的魯棒區域性光流 (RLOF) 為稀疏特徵集計算快速光流。

void	cv::optflow::calcOpticalFlowSparseToDense (InputArray from, InputArray to, OutputArray flow, int grid_step=8, int k=128, float sigma=0.05f, bool use_post_proc=true, float fgs_lambda=500.0f, float fgs_sigma=1.5f)
	基於 PyrLK 稀疏匹配插值的快速稠密光流。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_DeepFlow ()
	DeepFlow 光流演算法實現。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_DenseRLOF ()
	Dense RLOF 演算法的附加介面 - optflow::calcOpticalFlowDenseRLOF()

Ptr< DualTVL1OpticalFlow >	cv::optflow::createOptFlow_DualTVL1 ()
	建立 cv::DenseOpticalFlow 的例項。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_Farneback ()
	Farneback 演算法的附加介面 - calcOpticalFlowFarneback()

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_PCAFlow ()
	建立 PCAFlow 的例項。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_SimpleFlow ()
	SimpleFlow 演算法的附加介面 - calcOpticalFlowSF()

Ptr< SparseOpticalFlow >	cv::optflow::createOptFlow_SparseRLOF ()
	Sparse RLOF 演算法的附加介面 - optflow::calcOpticalFlowSparseRLOF()

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_SparseToDense ()
	SparseToDenseFlow 演算法的附加介面 - calcOpticalFlowSparseToDense()

void	cv::optflow::GPCForest< T >::findCorrespondences (InputArray imgFrom, InputArray imgTo, std::vector< std::pair< Point2i, Point2i > > &corr, const GPCMatchingParams params=GPCMatchingParams()) const
	查詢兩幅影像之間的對應關係。

void	cv::motempl::segmentMotion (InputArray mhi, OutputArray segmask, std::vector< Rect > &boundingRects, double timestamp, double segThresh)
	將運動歷史影像分割成幾個對應於獨立運動的部分（例如，左手，右手）。

void	cv::motempl::updateMotionHistory (InputArray silhouette, InputOutputArray mhi, double timestamp, double duration)
	透過移動輪廓更新運動歷史影像。

型別定義文件 (Typedef Documentation)

◆ GPCSamplesVector

typedef std::vector< GPCPatchSample > cv::optflow::GPCSamplesVector

#include <opencv2/optflow/sparse_matching_gpc.hpp>

列舉型別文件 (Enumeration Type Documentation)

◆ GPCDescType

enum cv::optflow::GPCDescType

#include <opencv2/optflow/sparse_matching_gpc.hpp>

全域性塊碰撞器 (Global Patch Collider) 的描述符型別。

列舉值 (Enumerator)
GPC_DESCRIPTOR_DCT Python: cv.optflow.GPC_DESCRIPTOR_DCT	質量較好但速度慢。
GPC_DESCRIPTOR_WHT Python: cv.optflow.GPC_DESCRIPTOR_WHT	質量較差但速度快得多。

◆ InterpolationType

enum cv::optflow::InterpolationType

#include <opencv2/optflow/rlofflow.hpp>

列舉值 (Enumerator)
INTERP_GEO Python: cv.optflow.INTERP_GEO	快速測地線插值，參見 [105]
INTERP_EPIC Python: cv.optflow.INTERP_EPIC	使用 ximgproc::EdgeAwareInterpolator 的邊緣保留插值，參見 [231], Geistert2016。
INTERP_RIC Python: cv.optflow.INTERP_RIC	基於 SLIC 的魯棒插值，使用 ximgproc::RICInterpolator，參見 [134]。

◆ SolverType

enum cv::optflow::SolverType

#include <opencv2/optflow/rlofflow.hpp>

列舉值 (Enumerator)
ST_STANDART Python: cv.optflow.ST_STANDART	應用標準迭代細化
ST_BILINEAR Python: cv.optflow.ST_BILINEAR	應用基於雙線性方程解的最佳化迭代細化，如 [245] 中所述

◆ SupportRegionType

enum cv::optflow::SupportRegionType

#include <opencv2/optflow/rlofflow.hpp>

列舉值 (Enumerator)
SR_FIXED Python: cv.optflow.SR_FIXED	應用恆定支援區域
SR_CROSS Python: cv.optflow.SR_CROSS	應用透過基於交叉的分割獲得的自適應支援區域，如 [246] 中所述

函式文件 (Function Documentation)

◆ calcGlobalOrientation()

double cv::motempl::calcGlobalOrientation	(	InputArray	orientation (方向影像),
		InputArray	mask,
		InputArray	mhi (運動歷史影像),
		double	timestamp (時間戳),
		double	duration (持續時間) )

Python
	cv.motempl.calcGlobalOrientation(	orientation, mask, mhi, timestamp, duration	) ->	retval

#include <opencv2/optflow/motempl.hpp>

計算選定區域中的全域性運動方向。

引數

orientation (方向影像)	由函式 calcMotionGradient 計算的運動梯度方向影像
mask	掩碼影像。它可以是有效梯度掩碼（同樣由 calcMotionGradient 計算）與需要計算方向的區域掩碼的並集。
mhi (運動歷史影像)	由 updateMotionHistory 計算的運動歷史影像。
timestamp (時間戳)	傳遞給 updateMotionHistory 的時間戳。
duration (持續時間)	傳遞給 updateMotionHistory 的運動軌跡的最大持續時間（毫秒）。

該函式計算選定區域中的平均運動方向，並返回 0 度到 360 度之間的角度。平均方向是從加權方向直方圖中計算出來的，其中最近的運動權重較大，過去發生的運動權重較小，如 mhi 中記錄的那樣。

◆ calcMotionGradient()

void cv::motempl::calcMotionGradient	(	InputArray	mhi (運動歷史影像),
		OutputArray	mask,
		OutputArray	orientation (方向影像),
		double	delta1,
		double	delta2,
		int	apertureSize = 3 )

Python
	cv.motempl.calcMotionGradient(	mhi, delta1, delta2[, mask[, orientation[, apertureSize]]]	) ->	mask (掩碼), orientation (方向)

#include <opencv2/optflow/motempl.hpp>

計算運動歷史影像的梯度方向。

引數

mhi (運動歷史影像)	運動歷史單通道浮點影像。
mask	輸出掩碼影像，型別為 CV_8UC1，大小與 mhi 相同。其非零元素標記了運動梯度資料正確的畫素。
orientation (方向影像)	輸出運動梯度方向影像，型別和大小與 mhi 相同。影像的每個畫素都是 0 到 360 度的運動方向。
delta1	畫素鄰域內允許的最小（或最大）mhi 值差異。
delta2	畫素鄰域內允許的最大（或最小）mhi 值差異。也就是說，該函式在每個畫素的 \(3 \times 3\) 鄰域內找到最小 ( \(m(x,y)\) ) 和最大 ( \(M(x,y)\) ) mhi 值，並僅在滿足以下條件時才將 \((x, y)\) 處的運動方向標記為有效： \[\min ( \texttt{delta1} , \texttt{delta2} ) \le M(x,y)-m(x,y) \le \max ( \texttt{delta1} , \texttt{delta2} ).\]
apertureSize	Sobel 運算元的孔徑大小。

該函式計算每個畫素 \((x, y)\) 處的梯度方向為：

\[\texttt{orientation} (x,y)= \arctan{\frac{d\texttt{mhi}/dy}{d\texttt{mhi}/dx}}\]

實際上使用的是 fastAtan2 和 phase，因此計算出的角度以度為單位，覆蓋 0..360 的全範圍。此外，還填充了掩碼以指示計算出的角度有效的畫素。

注意

(Python) 有關如何執行運動模板技術的示例，可以在 opencv_source_code/samples/python2/motempl.py 中找到

◆ calcOpticalFlowDenseRLOF()

void cv::optflow::calcOpticalFlowDenseRLOF	(	InputArray	I0,
		InputArray	I1,
		InputOutputArray	flow,
		Ptr< RLOFOpticalFlowParameter >	rlofParam = Ptr< RLOFOpticalFlowParameter >(),
		float	forwardBackwardThreshold = 0,
		Size	gridStep = Size(6, 6),
		InterpolationType (插值型別)	interp_type = InterpolationType::INTERP_EPIC,
		int	epicK = 128,
		float	epicSigma = 0.05f,
		float	epicLambda = 100.f,
		int	ricSPSize = 15,
		int	ricSLICType = 100,
		bool	use_post_proc = true,
		float	fgsLambda = 500.0f,
		float	fgsSigma = 1.5f,
		bool	use_variational_refinement = false )

Python
	cv.optflow.calcOpticalFlowDenseRLOF(	I0, I1, flow[, rlofParam[, forwardBackwardThreshold[, gridStep[, interp_type[, epicK[, epicSigma[, epicLambda[, ricSPSize[, ricSLICType[, use_post_proc[, fgsLambda[, fgsSigma[, use_variational_refinement]]]]]]]]]]]]]	) ->	flow

#include <opencv2/optflow/rlofflow.hpp>

基於魯棒區域性光流 (RLOF) 演算法和稀疏到稠密插值方案的快速稠密光流計算。

RLOF 是一種快速區域性光流方法，在 [244] [245] [246] 和 [247] 中有描述，類似於 [38] 提出的金字塔迭代 Lucas-Kanade 方法。更多詳情和實驗可以在以下論文 [248] 中找到。該實現源自 optflow::calcOpticalFlowPyrLK()。

稀疏到稠密插值方案允許使用 RLOF 快速計算稠密光流（參見 [105]）。對於此方案，應用以下步驟：

計算以規則取樣網格為種子的運動向量。該網格的稀疏度可以使用 setGridStep 進行配置。
（可選）基於前後向置信度過濾錯誤的運動向量。可以使用 setForwardBackward 配置閾值。僅當閾值 > 0 時才應用過濾器，但由於需要估計後向流，執行時間將加倍。
將向量場插值應用於運動向量集以獲得稠密向量場。

引數

I0	第一個 8 位輸入影像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），影像必須是 8 位 3 通道影像。
I1	第二個 8 位輸入影像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），影像必須是 8 位 3 通道影像。
flow	計算出的流影像，大小與 I0 相同，型別為 CV_32FC2。
rlofParam (RLOF 引數)	參見 optflow::RLOFOpticalFlowParameter
forwardBackwardThreshold (前後向一致性閾值)	前後向置信度檢查的閾值。對於每個網格點 \( \mathbf{x} \)，計算一個運動向量 \( d_{I0,I1}(\mathbf{x}) \)。如果前後向誤差 \[ EP_{FB} = \|\| d_{I0,I1} + d_{I1,I0} \|\| \] 大於該函式給出的閾值，則隨後的向量場插值將不使用該運動向量。\( d_{I1,I0} \) 表示後向流。注意，僅當閾值 > 0 時才應用前後向測試。這可能導致運動估計的執行時間翻倍。
gridStep (網格步長)	用於生成運動向量的網格大小。對於每個網格點，計算一個運動向量。由於前後向閾值（如果設定 > 0），某些運動向量將被移除。其餘向量將作為向量場插值的基礎。
interp_type (插值型別)	用於計算稠密光流的插值方法。支援兩種插值演算法： INTERP_GEO 應用快速測地線插值，參見 [105]。 INTERP_EPIC_RESIDUAL 應用邊緣保留插值，參見 [231], Geistert2016。
epicK	參見 ximgproc::EdgeAwareInterpolator 設定相應的引數。
epicSigma	參見 ximgproc::EdgeAwareInterpolator 設定相應的引數。
epicLambda	參見 ximgproc::EdgeAwareInterpolator 設定相應的引數。
ricSPSize	參見 ximgproc::RICInterpolator 設定相應的引數。
ricSLICType	參見 ximgproc::RICInterpolator 設定相應的引數。
use_post_proc (是否使用後處理)	啟用 ximgproc::fastGlobalSmootherFilter() 引數。
fgsLambda	設定相應的 ximgproc::fastGlobalSmootherFilter() 引數。
fgsSigma	設定相應的 ximgproc::fastGlobalSmootherFilter() 引數。
use_variational_refinement (是否使用變分精細化)	啟用 VariationalRefinement

引數已在 [244], [245], [246], [247] 中描述。有關 RLOF 配置的更多詳細資訊，請參見 optflow::RLOFOpticalFlowParameter。

注意: 如果網格大小設定為 (1,1) 且前後向閾值 <= 0，則稠密光流場純粹使用 RLOF 計算。; SIMD 並行化僅在編譯時使用 SSE4.1 時可用。; 注意，在輸出中，如果在 I0 和 I1 之間沒有找到對應關係，則 flow 設定為 0。

另請參閱: optflow::DenseRLOFOpticalFlow, optflow::RLOFOpticalFlowParameter

◆ calcOpticalFlowSF() [1/2]

void cv::optflow::calcOpticalFlowSF	(	InputArray	from,
		InputArray	to,
		OutputArray	flow,
		int	layers (層數),
		int	averaging_block_size (平均塊大小),
		int	max_flow (最大流) )

Python
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow[, flow]	) ->	flow
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow, sigma_dist, sigma_color, postprocess_window, sigma_dist_fix, sigma_color_fix, occ_thr, upscale_averaging_radius, upscale_sigma_dist, upscale_sigma_color, speed_up_thr[, flow]	) ->	flow

#include <opencv2/optflow.hpp>

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

◆ calcOpticalFlowSF() [2/2]

void cv::optflow::calcOpticalFlowSF	(	InputArray	from,
		InputArray	to,
		OutputArray	flow,
		int	layers (層數),
		int	averaging_block_size (平均塊大小),
		int	max_flow (最大流),
		double	sigma_dist,
		double	sigma_color,
		int	postprocess_window,
		double	sigma_dist_fix,
		double	sigma_color_fix,
		double	occ_thr (遮擋閾值),
		int	upscale_averaging_radius (上取樣平均半徑),
		double	upscale_sigma_dist,
		double	upscale_sigma_color,
		double	speed_up_thr )

Python
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow[, flow]	) ->	flow
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow, sigma_dist, sigma_color, postprocess_window, sigma_dist_fix, sigma_color_fix, occ_thr, upscale_averaging_radius, upscale_sigma_dist, upscale_sigma_color, speed_up_thr[, flow]	) ->	flow

#include <opencv2/optflow.hpp>

使用“SimpleFlow”演算法計算光流。

引數

from	第一個 8 位 3 通道影像。
to	第二個 8 位 3 通道影像，大小與 prev 相同
flow	計算出的流影像，大小與 prev 相同，型別為 CV_32FC2
layers (層數)	層數
averaging_block_size (平均塊大小)	計算畫素代價函式時求和的塊大小
max_flow (最大流)	在每一層搜尋的最大流
sigma_dist	向量平滑空間 sigma 引數
sigma_color	向量平滑顏色 sigma 引數
postprocess_window	後處理交叉雙邊濾波器的視窗大小
sigma_dist_fix	後處理交叉雙邊濾波器的空間 sigma
sigma_color_fix	後處理交叉雙邊濾波器的顏色 sigma
occ_thr (遮擋閾值)	遮擋檢測閾值
upscale_averaging_radius (上取樣平均半徑)	雙邊上取樣操作的視窗大小
upscale_sigma_dist	雙邊上取樣操作的空間 sigma
upscale_sigma_color	雙邊上取樣操作的顏色 sigma
speed_up_thr	檢測具有不規則流的點的閾值 - 在上取樣後應重新計算流的位置

參見 [270]。以及專案網站 - http://graphics.berkeley.edu/papers/Tao-SAN-2012-05/。

注意

使用 simpleFlow 演算法的示例可以在 samples/simpleflow_demo.cpp 中找到

◆ calcOpticalFlowSparseRLOF()

void cv::optflow::calcOpticalFlowSparseRLOF	(	InputArray	prevImg,
		InputArray	nextImg,
		InputArray	prevPts,
		InputOutputArray	nextPts,
		OutputArray	status,
		OutputArray	err,
		Ptr< RLOFOpticalFlowParameter >	rlofParam = Ptr< RLOFOpticalFlowParameter >(),
		float	forwardBackwardThreshold = 0 )

Python
	cv.optflow.calcOpticalFlowSparseRLOF(	prevImg, nextImg, prevPts, nextPts[, status[, err[, rlofParam[, forwardBackwardThreshold]]]]	) ->	nextPts, status, err

#include <opencv2/optflow/rlofflow.hpp>

使用類似於 optflow::calcOpticalFlowPyrLK() 的魯棒區域性光流 (RLOF) 為稀疏特徵集計算快速光流。

RLOF 是一種快速區域性光流方法，在 [244] [245] [246] 和 [247] 中有描述，類似於 [38] 提出的金字塔迭代 Lucas-Kanade 方法。更多詳情和實驗可以在以下論文 [248] 中找到。該實現源自 optflow::calcOpticalFlowPyrLK()。

引數

prevImg	第一個 8 位輸入影像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），影像必須是 8 位 3 通道影像。
nextImg	第二個 8 位輸入影像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），影像必須是 8 位 3 通道影像。
prevPts	需要尋找光流的二維點向量；點座標必須是單精度浮點數。
nextPts	2D 點的輸出向量（單精度浮點座標），包含在第二幅影像中計算出的輸入特徵的新位置；當 optflow::RLOFOpticalFlowParameter::useInitialFlow 變數為 true 時，該向量的大小必須與輸入相同，幷包含初始化的點對應關係。
status	輸出狀態向量（無符號字元）；如果相應特徵的流已透過前後向檢查，則向量的每個元素都設定為 1。
err	輸出誤差向量；向量的每個元素都設定為相應特徵的前後向誤差。
rlofParam (RLOF 引數)	參見 optflow::RLOFOpticalFlowParameter
forwardBackwardThreshold (前後向一致性閾值)	前後向置信度檢查的閾值。如果 forewardBackwardThreshold <= 0，則不執行前向檢查。

注意: SIMD 並行化僅在編譯時使用 SSE4.1 時可用。

引數已在 [244], [245], [246] 和 [247] 中描述。有關 RLOF 配置的更多詳細資訊，請參見 optflow::RLOFOpticalFlowParameter。

◆ calcOpticalFlowSparseToDense()

void cv::optflow::calcOpticalFlowSparseToDense	(	InputArray	from,
		InputArray	to,
		OutputArray	flow,
		int	grid_step = 8,
		int	k = 128,
		float	sigma = 0.05f,
		bool	use_post_proc = true,
		float	fgs_lambda = 500.0f,
		float	fgs_sigma = 1.5f )

Python
	cv.optflow.calcOpticalFlowSparseToDense(	from_, to[, flow[, grid_step[, k[, sigma[, use_post_proc[, fgs_lambda[, fgs_sigma]]]]]]]	) ->	flow

#include <opencv2/optflow.hpp>

基於 PyrLK 稀疏匹配插值的快速稠密光流。

引數

from	第一個 8 位 3 通道或 1 通道影像。
to	第二個 8 位 3 通道或 1 通道影像，大小與 from 相同
flow	計算出的流影像，大小與 from 相同，型別為 CV_32FC2
grid_step (網格步長)	稀疏匹配計算中使用的跨度。較低的值通常會提高質量，但會減慢演算法速度。
k	擬合局部仿射模型時考慮的最近鄰匹配數。較低的值可以顯著加快演算法速度，但會犧牲一定的質量。
sigma	定義區域性加權仿射擬閤中權重下降速度的引數。較高的值有助於保留精細細節，較低的值有助於消除輸出流中的噪聲。
use_post_proc (是否使用後處理)	定義插值後是否使用 ximgproc::fastGlobalSmootherFilter() 進行後處理
fgs_lambda	參見 ximgproc::fastGlobalSmootherFilter() 的相應引數
fgs_sigma	參見 ximgproc::fastGlobalSmootherFilter() 的相應引數

◆ createOptFlow_DeepFlow()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_DeepFlow ( )

Python
	cv.optflow.createOptFlow_DeepFlow(		) ->	retval

#include <opencv2/optflow.hpp>

DeepFlow 光流演算法實現。

該類實現了 [301] 中描述的 DeepFlow 光流演算法。另見 http://lear.inrialpes.fr/src/deepmatching/。在建立類例項後可以修改的引數（類欄位）：

成員 float alpha：平滑度假設權重
成員 float delta：顏色恆定性假設權重
成員 float gamma：梯度恆定性權重
成員 float sigma：高斯平滑引數
成員 int minSize：金字塔中影像的最小尺寸（金字塔中的下一個較小影像將持續生成，直到其中一個維度達到該尺寸）
成員 float downscaleFactor：影像金字塔中的縮放因子（必須 < 1）
成員 int fixedPointIterations：在金字塔每一層迭代多少次
成員 int sorIterations：逐次超鬆弛迭代次數（求解器）
成員 float omega：SOR 中的鬆弛因子

◆ createOptFlow_DenseRLOF()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_DenseRLOF ( )

Python
	cv.optflow.createOptFlow_DenseRLOF(		) ->	retval

#include <opencv2/optflow/rlofflow.hpp>

Dense RLOF 演算法的附加介面 - optflow::calcOpticalFlowDenseRLOF()

◆ createOptFlow_DualTVL1()

Ptr< DualTVL1OpticalFlow > cv::optflow::createOptFlow_DualTVL1 ( )

Python
	cv.optflow.createOptFlow_DualTVL1(		) ->	retval

#include <opencv2/optflow.hpp>

建立 cv::DenseOpticalFlow 的例項。

◆ createOptFlow_Farneback()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_Farneback ( )

Python
	cv.optflow.createOptFlow_Farneback(		) ->	retval

#include <opencv2/optflow.hpp>

Farneback 演算法的附加介面 - calcOpticalFlowFarneback()

◆ createOptFlow_PCAFlow()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_PCAFlow ( )

Python
	cv.optflow.createOptFlow_PCAFlow(		) ->	retval

#include <opencv2/optflow/pcaflow.hpp>

建立 PCAFlow 的例項。

◆ createOptFlow_SimpleFlow()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_SimpleFlow ( )

Python
	cv.optflow.createOptFlow_SimpleFlow(		) ->	retval

#include <opencv2/optflow.hpp>

SimpleFlow 演算法的附加介面 - calcOpticalFlowSF()

◆ createOptFlow_SparseRLOF()

Ptr< SparseOpticalFlow > cv::optflow::createOptFlow_SparseRLOF ( )

Python
	cv.optflow.createOptFlow_SparseRLOF(		) ->	retval

#include <opencv2/optflow/rlofflow.hpp>

Sparse RLOF 演算法的附加介面 - optflow::calcOpticalFlowSparseRLOF()

◆ createOptFlow_SparseToDense()

Ptr< DenseOpticalFlow > cv::optflow::createOptFlow_SparseToDense ( )

Python
	cv.optflow.createOptFlow_SparseToDense(		) ->	retval

#include <opencv2/optflow.hpp>

SparseToDenseFlow 演算法的附加介面 - calcOpticalFlowSparseToDense()

◆ findCorrespondences()

template<int T>

void cv::optflow::GPCForest< T >::findCorrespondences	(	InputArray	imgFrom (來源影像),
		InputArray	imgTo (目標影像),
		std::vector< std::pair< Point2i, Point2i > > &	corr (對應點),
		const GPCMatchingParams	params = GPCMatchingParams() ) const

#include <opencv2/optflow/sparse_matching_gpc.hpp>

查詢兩幅影像之間的對應關係。

引數

[in]	imgFrom (來源影像)	序列中的第一幅影像。
[in]	imgTo (目標影像)	序列中的第二幅影像。
[out]	corr (對應點)	包含對應點對的輸出向量。
[in]	params	用於微調的附加匹配引數。

此函式的呼叫圖

◆ segmentMotion()

void cv::motempl::segmentMotion	(	InputArray	mhi (運動歷史影像),
		OutputArray	segmask (分割掩碼),
		std::vector< Rect > &	boundingRects (邊界矩形),
		double	timestamp (時間戳),
		double	segThresh (分割閾值) )

Python
	cv.motempl.segmentMotion(	mhi, timestamp, segThresh[, segmask]	) ->	segmask, boundingRects

#include <opencv2/optflow/motempl.hpp>

將運動歷史影像分割成幾個對應於獨立運動的部分（例如，左手，右手）。

引數

mhi (運動歷史影像)	運動歷史影像。
segmask (分割掩碼)	應儲存找到的掩碼的影像，單通道，32 位浮點型。
boundingRects (邊界矩形)	包含運動連通元件 ROI 的向量。
timestamp (時間戳)	當前時間（毫秒或其他單位）。
segThresh (分割閾值)	建議等於運動歷史“步長”之間的間隔或更大的分割閾值。

該函式找到所有的運動段，並用個別值 (1,2,...) 在 segmask 中標記它們。它還計算包含運動連通元件 ROI 的向量。之後，可以使用 calcGlobalOrientation 並配合提取出的特定元件掩碼來計算每個元件的運動方向。

◆ updateMotionHistory()

void cv::motempl::updateMotionHistory	(	InputArray	silhouette (輪廓圖),
		InputOutputArray	mhi (運動歷史影像),
		double	timestamp (時間戳),
		double	duration (持續時間) )

Python
	cv.motempl.updateMotionHistory(	silhouette, mhi, timestamp, duration	) ->	mhi (運動歷史影像)

#include <opencv2/optflow/motempl.hpp>

透過移動輪廓更新運動歷史影像。

引數

silhouette (輪廓圖)	輪廓掩碼，在發生運動的位置具有非零畫素。
mhi (運動歷史影像)	由函式更新的運動歷史影像（單通道，32 位浮點型）。
timestamp (時間戳)	當前時間（毫秒或其他單位）。
duration (持續時間)	運動軌跡的最大持續時間，單位與 timestamp 相同。

該函式按如下方式更新運動歷史影像：

\[\texttt{mhi} (x,y)= \forkthree{\texttt{timestamp}}{如果 \(\texttt{silhouette}(x,y) \ne 0\)}{0}{如果 \(\texttt{silhouette}(x,y) = 0\) 且 \(\texttt{mhi} < (\texttt{timestamp} - \texttt{duration})\)}{\texttt{mhi}(x,y)}{否則}\]

也就是說，發生運動的 MHI 畫素被設定為當前時間戳 timestamp，而很久以前最後一次發生運動的畫素則被清除。

該函式與 calcMotionGradient 和 calcGlobalOrientation 一起，實現了 [69] 和 [40] 中描述的運動模板技術。

詳細說明

類

型別定義 (Typedefs)

列舉

函式

型別定義文件 (Typedef Documentation)

◆ GPCSamplesVector

列舉型別文件 (Enumeration Type Documentation)

◆ GPCDescType

◆ InterpolationType

◆ SolverType

◆ SupportRegionType

函式文件 (Function Documentation)

◆ calcGlobalOrientation()

◆ calcMotionGradient()

◆ calcOpticalFlowDenseRLOF()

◆ calcOpticalFlowSF() [1/2]

◆ calcOpticalFlowSF() [2/2]

◆ calcOpticalFlowSparseRLOF()

◆ calcOpticalFlowSparseToDense()

◆ createOptFlow_DeepFlow()

◆ createOptFlow_DenseRLOF()

◆ createOptFlow_DualTVL1()

◆ createOptFlow_Farneback()

◆ createOptFlow_PCAFlow()

◆ createOptFlow_SimpleFlow()

◆ createOptFlow_SparseRLOF()

◆ createOptFlow_SparseToDense()

◆ findCorrespondences()

◆ segmentMotion()

◆ updateMotionHistory()