詳細描述

稠密光流 (Dense optical flow) 演算法會計算每個點的運動

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

運動模板 (Motion templates) 是檢測運動並計算其方向的替代技術。請參閱 samples/motempl.py。

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

讀取和寫入 "Middlebury" 格式 .flo 文件的函數，請參閱：http://vision.middlebury.edu/flow/code/flow-code/README.txt

類別
class	cv::optflow::DenseRLOFOpticalFlow
	基於穩健局部光流 (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...

class	cv::optflow::DualTVL1OpticalFlow
	"Dual TV L1" 光流演算法。更多...

class	cv::optflow::GPCDetails

class	cv::optflow::GPCForest< T >

struct	cv::optflow::GPCMatchingParams
	封裝匹配參數的類別。更多...

struct	cv::optflow::GPCPatchDescriptor

struct	cv::optflow::GPCPatchSample

struct	cv::optflow::GPCTrainingParams
	封裝訓練參數的類別。更多...

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

class	cv::optflow::GPCTree
	單棵樹的類別。更多...

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

class	cv::optflow::PCAPrior
	此類別可用於對產生的光流施加學習過的先驗。解將根據此先驗進行正則化。您需要事先使用 "learn_prior.py" 腳本生成適當的先驗文件。更多...

class	cv::optflow::RLOFOpticalFlowParameter
	用於儲存和設置穩健局部光流 (RLOF) 演算法參數。更多...

class	cv::optflow::SparseRLOFOpticalFlow
	用於透過穩健局部光流 (RLOF) 演算法計算稀疏光流和特徵跟蹤的類別。更多...

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

列舉
列舉	cv::optflow::GPCDescType { cv::optflow::GPC_DESCRIPTOR_DCT = 0 , cv::optflow::GPC_DESCRIPTOR_WHT }
	Global Patch Collider 的描述符類型。更多...

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

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

列舉	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)
	計算選定區域內的全局運動方向。

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

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)
	基於穩健局部光流 (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)
	使用穩健局部光流 (RLOF) 為稀疏特徵集計算快速光流，類似於 optflow::calcOpticalFlowPyrLK()。

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 光流演算法實作。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_DenseRLOF ()
	Dense RLOF 演算法的額外介面 - optflow::calcOpticalFlowDenseRLOF()

Ptr< DualTVL1OpticalFlow >	cv::optflow::createOptFlow_DualTVL1 ()
	建立 cv::DenseOpticalFlow 的實例。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_Farneback ()
	Farneback 演算法的額外介面 - calcOpticalFlowFarneback()

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_PCAFlow ()
	建立 PCAFlow 的實例。

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_SimpleFlow ()
	SimpleFlow 演算法的額外介面 - calcOpticalFlowSF()

Ptr< SparseOpticalFlow >	cv::optflow::createOptFlow_SparseRLOF ()
	Sparse RLOF 演算法的額外介面 - optflow::calcOpticalFlowSparseRLOF()

Ptr< DenseOpticalFlow >	cv::optflow::createOptFlow_SparseToDense ()
	SparseToDenseFlow 演算法的額外介面 - calcOpticalFlowSparseToDense()

void	cv::optflow::GPCForest< T >::findCorrespondences (InputArray imgFrom, InputArray imgTo, std::vector< std::pair< Point2i, Point2i > > &corr, const GPCMatchingParams params=GPCMatchingParams()) const
	尋找兩張圖像之間的對應關係。

void	cv::motempl::segmentMotion (InputArray mhi, OutputArray segmask, std::vector< Rect > &boundingRects, double timestamp, double segThresh)
	將運動歷史圖像分割成幾個部分，對應於各別獨立的運動（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圖像。

類型定義說明文件

◆ GPCSamplesVector

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

#include <opencv2/optflow/sparse_matching_gpc.hpp>

列舉類型文件

◆ GPCDescType

enum cv::optflow::GPCDescType

#include <opencv2/optflow/sparse_matching_gpc.hpp>

Global Patch Collider 的描述符類型。

列舉值
GPC_DESCRIPTOR_DCT Python: cv.optflow.GPC_DESCRIPTOR_DCT	品質較好但速度較慢。
GPC_DESCRIPTOR_WHT Python: cv.optflow.GPC_DESCRIPTOR_WHT	品質較差但速度快得多。

◆ InterpolationType

enum cv::optflow::InterpolationType

#include <opencv2/optflow/rlofflow.hpp>

列舉值
INTERP_GEO Python: cv.optflow.INTERP_GEO	快速測地插值 (Fast geodesic interpolation)，見 [105]
INTERP_EPIC Python: cv.optflow.INTERP_EPIC	使用 ximgproc::EdgeAwareInterpolator 的邊緣保持插值 (Edge-preserving interpolation)，見 [231], Geistert2016。
INTERP_RIC Python: cv.optflow.INTERP_RIC	使用 ximgproc::RICInterpolator 的基於 SLIC 的穩健插值，見 [134]。

◆ SolverType

enum cv::optflow::SolverType

#include <opencv2/optflow/rlofflow.hpp>

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

◆ SupportRegionType

enum cv::optflow::SupportRegionType

#include <opencv2/optflow/rlofflow.hpp>

列舉值
SR_FIXED Python: cv.optflow.SR_FIXED	應用固定支持區域
SR_CROSS Python: cv.optflow.SR_CROSS	應用透過基於交叉分割 (cross-based segmentation) 獲得的適應性支持區域，如 [246] 中所述

函式文件

◆ calcGlobalOrientation()

double cv::motempl::calcGlobalOrientation	(	InputArray	orientation (方向),
		InputArray	遮罩 (mask),
		InputArray	mhi (運動歷史圖像),
		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>

計算選定區域內的全局運動方向。

參數

orientation (方向)	由函數 calcMotionGradient 計算出的運動梯度方向圖像
遮罩 (mask)	遮罩圖像。它可能是由 calcMotionGradient 計算出的有效梯度遮罩與需要計算方向的區域遮罩的交集。
mhi (運動歷史圖像)	由 updateMotionHistory 計算出的運動歷史圖像。
timestamp (時間戳)	傳遞給 updateMotionHistory 的時間戳。
duration (持續時間)	以毫秒為單位的運動軌跡最大持續時間，傳遞給 updateMotionHistory

該函數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計算得出的，如 mhi 中所記錄，最近的運動具有較大的權重，而過去發生的運動具有較小的權重。

◆ calcMotionGradient()

void cv::motempl::calcMotionGradient	(	InputArray	mhi (運動歷史圖像),
		OutputArray	遮罩 (mask),
		OutputArray	orientation (方向),
		double	delta1,
		double	delta2,
		int	apertureSize (算子大小) = 3 )

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

#include <opencv2/optflow/motempl.hpp>

計算運動歷史圖像的梯度方向。

參數

mhi (運動歷史圖像)	單通道浮點型運動歷史圖像。
遮罩 (mask)	輸出遮罩圖像，類型為 CV_8UC1，與 mhi 大小相同。其非零元素標記了運動梯度數據正確的像素。
orientation (方向)	輸出運動梯度方向圖像，與 mhi 類型和大小相同。圖像的每個像素都是運動方向，範圍從 0 到 360 度。
delta1	像素鄰域內 mhi 值之間允許的最小（或最大）差異。
delta2	像素鄰域內 mhi 值之間允許的最大（或最小）差異。也就是說，函數在每個像素的 \(3 \times 3\) 鄰域上找到最小 (\(m(x,y)\)) 和最大 (\(M(x,y)\)) mhi 值，並且僅當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 算子的孔徑大小 (aperture size)。

該函數計算每個像素 \((x, y)\) 的梯度方向為：

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

事實上，使用了 fastAtan2 和 phase，使得計算出的角度以度為單位，並涵蓋 0..360 的完整範圍。此外，還會填充遮罩以指示計算角度有效的像素。

備註

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

◆ calcOpticalFlowDenseRLOF()

void cv::optflow::calcOpticalFlowDenseRLOF	(	InputArray	I0,
		InputArray	I1,
		InputOutputArray	flow (光流),
		Ptr< RLOFOpticalFlowParameter >	rlofParam = Ptr< RLOFOpticalFlowParameter >(),
		float	forwardBackwardThreshold (前後向閾值) = 0,
		Size	gridStep (網格步長) = Size(6, 6),
		InterpolationType (插值類型)	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 (使用變分精煉) = 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 (光流)

#include <opencv2/optflow/rlofflow.hpp>

基於穩健局部光流 (RLOF) 演算法和稀疏到稠密插值方案的快速稠密光流計算。

RLOF 是一種快速局部光流方法，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。更多細節和實驗可以在以下論文 [248] 中找到。該實作衍生自 optflow::calcOpticalFlowPyrLK()。

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

計算在定期採樣網格處生成的運動向量。此網格的稀疏程度可以使用 setGridStep 配置
（可選）基於前後向置信度過濾錯誤的運動向量。閾值可以使用 setForwardBackward 配置。僅當閾值 >0 時才應用過濾器，但由於後向流的估計，運行時間會加倍。
對運動向量集應用向量場插值，以獲得稠密向量場。

參數

I0	第一張 8 位元輸入圖像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），圖像必須是 8 位元 3 通道圖像。
I1	第二張 8 位元輸入圖像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），圖像必須是 8 位元 3 通道圖像。
flow (光流)	計算出的光流圖像，與 I0 大小相同且類型為 CV_32FC2。
rlofParam	參見 optflow::RLOFOpticalFlowParameter
forwardBackwardThreshold (前後向閾值)	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 \[ EP_{FB} = \|\| d_{I0,I1} + d_{I1,I0} \|\| \] 大於此函數給出的閾值，則接下來的向量場插值將不會使用該運動向量。\( d_{I1,I0} \) 表示後向流。注意，只有當閾值 > 0 時，才會應用前後向測試。這可能會導致運動估計的運行時間加倍。
gridStep (網格步長)	生成運動向量的網格大小。對於每個網格點，都會計算一個運動向量。由於前後向閾值（如果設置 >0），一些運動向量將被刪除。其餘的將作為向量場插值的基礎。
interp_type (插值類型)	用於計算稠密光流的插值方法。支援兩種插值演算法 INTERP_GEO 應用快速測地插值，見 [105]。 INTERP_EPIC_RESIDUAL 應用邊緣保持插值，見 [231], Geistert2016。
epicK	參見 ximgproc::EdgeAwareInterpolator 設置相應參數。
epicSigma	參見 ximgproc::EdgeAwareInterpolator 設置相應參數。
epicLambda	參見 ximgproc::EdgeAwareInterpolator 設置相應參數。
ricSPSize	參見 ximgproc::RICInterpolator 設置相應參數。
ricSLICType	參見 ximgproc::RICInterpolator 設置相應參數。
use_post_proc (使用後處理)	啟用 ximgproc::fastGlobalSmootherFilter() 參數。
fgsLambda	設置相應的 ximgproc::fastGlobalSmootherFilter() 參數。
fgsSigma	設置相應的 ximgproc::fastGlobalSmootherFilter() 參數。
use_variational_refinement (使用變分精煉)	啟用 VariationalRefinement

參數已在 [244], [245], [246], [247] 中描述。有關 RLOF 配置，請參閱 optflow::RLOFOpticalFlowParameter 以獲取更多細節。

備註: 如果網格大小設置為 (1,1) 且前後向閾值 <= 0，則稠密光流場純粹由 RLOF 計算。; SIMD 平行化僅在編譯 SSE4.1 時可用。; 請注意在輸出中，如果 I0 和 I1 之間未發現對應關係，則 flow 設置為 0。

參見: optflow::DenseRLOFOpticalFlow, optflow::RLOFOpticalFlowParameter

◆ calcOpticalFlowSF() [1/2]

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

Python
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow[, flow]	) ->	flow (光流)
	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 (光流)

#include <opencv2/optflow.hpp>

這是一個多載的成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的參數不同。

◆ calcOpticalFlowSF() [2/2]

void cv::optflow::calcOpticalFlowSF	(	InputArray	from,
		InputArray	to,
		OutputArray	flow (光流),
		int	layers (層數),
		int	averaging_block_size (平均塊大小),
		int	max_flow (最大光流),
		double	sigma_dist (距離標準差),
		double	sigma_color,
		int	postprocess_window (後處理窗口),
		double	sigma_dist_fix (空間位置標準差),
		double	sigma_color_fix (顏色標準差),
		double	occ_thr (遮擋閾值),
		int	upscale_averaging_radius (上採樣平均半徑),
		double	upscale_sigma_dist (上採樣空間標準差),
		double	upscale_sigma_color (上採樣顏色標準差),
		double	speed_up_thr (加速閾值) )

Python
	cv.optflow.calcOpticalFlowSF(	from_, to, layers, averaging_block_size, max_flow[, flow]	) ->	flow (光流)
	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 (光流)

#include <opencv2/optflow.hpp>

使用 "SimpleFlow" 演算法計算光流。

參數

from	第一張 8 位元 3 通道圖像。
to	第二張與 prev 大小相同的 8 位元 3 通道圖像。
flow (光流)	計算出的與 prev 大小相同且類型為 CV_32FC2 的光流圖像。
layers (層數)	層數
averaging_block_size (平均塊大小)	計算像素代價函數時加總的塊大小
max_flow (最大光流)	在每一層搜尋的最大光流值
sigma_dist (距離標準差)	向量平滑空間 sigma 參數
sigma_color	向量平滑顏色 sigma 參數
postprocess_window (後處理窗口)	後處理交叉雙邊濾波器的窗口大小
sigma_dist_fix (空間位置標準差)	後處理交叉雙邊濾波器的空間 sigma
sigma_color_fix (顏色標準差)	後處理交叉雙邊濾波器的顏色 sigma
occ_thr (遮擋閾值)	檢測遮擋的閾值
upscale_averaging_radius (上採樣平均半徑)	雙邊上採樣操作的窗口大小
upscale_sigma_dist (上採樣空間標準差)	雙邊上採樣操作的空間 sigma
upscale_sigma_color (上採樣顏色標準差)	雙邊上採樣操作的顏色 sigma
speed_up_thr (加速閾值)	檢測具有不規則光流點的閾值 - 上採樣後應重新計算光流的地方

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

備註

使用 simpleFlow 演算法的範例可在 samples/simpleflow_demo.cpp 找到

◆ calcOpticalFlowSparseRLOF()

void cv::optflow::calcOpticalFlowSparseRLOF	(	InputArray	prevImg (前一幀圖像),
		InputArray	nextImg (後一幀圖像),
		InputArray	prevPts (前一幀點集),
		InputOutputArray	nextPts (後一幀點集),
		OutputArray	status (狀態),
		OutputArray	err,
		Ptr< RLOFOpticalFlowParameter >	rlofParam = Ptr< RLOFOpticalFlowParameter >(),
		float	forwardBackwardThreshold (前後向閾值) = 0 )

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

#include <opencv2/optflow/rlofflow.hpp>

使用穩健局部光流 (RLOF) 為稀疏特徵集計算快速光流，類似於 optflow::calcOpticalFlowPyrLK()。

RLOF 是一種快速局部光流方法，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。更多細節和實驗可以在以下論文 [248] 中找到。該實作衍生自 optflow::calcOpticalFlowPyrLK()。

參數

prevImg (前一幀圖像)	第一張 8 位元輸入圖像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），圖像必須是 8 位元 3 通道圖像。
nextImg (後一幀圖像)	第二張 8 位元輸入圖像。如果使用基於交叉的 RLOF（透過選擇 optflow::RLOFOpticalFlowParameter::supportRegionType = SupportRegionType::SR_CROSS），圖像必須是 8 位元 3 通道圖像。
prevPts (前一幀點集)	需要尋找光流的 2D 點向量；點座標必須是單精度浮點數。
nextPts (後一幀點集)	輸出 2D 點向量（具有單精度浮點座標），包含第二張圖像中輸入特徵計算出的新位置；當 optflow::RLOFOpticalFlowParameter::useInitialFlow 變數為 true 時，向量必須具有與輸入相同的大小，並包含初始化點對應關係。
status (狀態)	輸出狀態向量（無符號字元）；如果相應特徵的光流已通過前後向檢查，則將向量的每個元素設置為 1。
err	誤差輸出向量；向量的每個元素都設置為相應特徵的前後向誤差。
rlofParam	參見 optflow::RLOFOpticalFlowParameter
forwardBackwardThreshold (前後向閾值)	前後向置信度檢查的閾值。如果 forewardBackwardThreshold <= 0，則前向

備註: SIMD 平行化僅在編譯 SSE4.1 時可用。

參數已在 [244], [245], [246] 和 [247] 中描述。有關 RLOF 配置，請參閱 optflow::RLOFOpticalFlowParameter 以獲取更多細節。

◆ calcOpticalFlowSparseToDense()

void cv::optflow::calcOpticalFlowSparseToDense	(	InputArray	from,
		InputArray	to,
		OutputArray	flow (光流),
		int	grid_step (網格步長) = 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 (光流)

#include <opencv2/optflow.hpp>

基於 PyrLK 稀疏匹配插值的快速稠密光流。

參數

from	第一張 8 位元 3 通道或單通道圖像。
to	第二張與 from 大小相同的 8 位元 3 通道或單通道圖像。
flow (光流)	計算出的與 from 大小相同且類型為 CV_32FC2 的光流圖像。
grid_step (網格步長)	稀疏匹配計算中使用的步長。較低的值通常會導致較高的品質，但會減慢演算法的速度。
k	擬合局部仿射模型時考慮的最近鄰匹配數。較低的值可以使演算法明顯變快，但會犧牲一些品質。
sigma	定義局部加權仿射擬合中權重下降速度的參數。較高的值可以幫助保持精細細節，較低的值可以幫助消除輸出光流中的噪點。
use_post_proc (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() 的相應參數。
fgs_sigma	參見 ximgproc::fastGlobalSmootherFilter() 的相應參數。

◆ createOptFlow_DeepFlow()

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

Python
	cv.optflow.createOptFlow_DeepFlow(		) ->	retval

#include <opencv2/optflow.hpp>

DeepFlow 光流演算法實作。

該類別實作了 [301] 中描述的 DeepFlow 光流演算法。另見 http://lear.inrialpes.fr/src/deepmatching/。在建立類別實例後可以修改的類別欄位（成員）：

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：高斯平滑參數
成員 int minSize：金字塔中圖像的最小尺寸（繼續生成金字塔中較小的圖像，直到其中一個維度達到此大小）
成員 float downscaleFactor：圖像金字塔中的縮放因子（必須 < 1）
成員 int fixedPointIterations：金字塔每一層的迭代次數
成員 int sorIterations：逐次超鬆弛 (SOR) 的迭代次數 (solver)
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 演算法的額外介面 - optflow::calcOpticalFlowDenseRLOF()

◆ createOptFlow_DualTVL1()

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

Python
	cv.optflow.createOptFlow_DualTVL1(		) ->	retval

#include <opencv2/optflow.hpp>

建立 cv::DenseOpticalFlow 的實例。

◆ createOptFlow_Farneback()

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

Python
	cv.optflow.createOptFlow_Farneback(		) ->	retval

#include <opencv2/optflow.hpp>

Farneback 演算法的額外介面 - calcOpticalFlowFarneback()

◆ createOptFlow_PCAFlow()

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

Python
	cv.optflow.createOptFlow_PCAFlow(		) ->	retval

#include <opencv2/optflow/pcaflow.hpp>

建立 PCAFlow 的實例。

◆ createOptFlow_SimpleFlow()

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

Python
	cv.optflow.createOptFlow_SimpleFlow(		) ->	retval

#include <opencv2/optflow.hpp>

SimpleFlow 演算法的額外介面 - calcOpticalFlowSF()

◆ createOptFlow_SparseRLOF()

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

Python
	cv.optflow.createOptFlow_SparseRLOF(		) ->	retval

#include <opencv2/optflow/rlofflow.hpp>

Sparse RLOF 演算法的額外介面 - optflow::calcOpticalFlowSparseRLOF()

◆ createOptFlow_SparseToDense()

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

Python
	cv.optflow.createOptFlow_SparseToDense(		) ->	retval

#include <opencv2/optflow.hpp>

SparseToDenseFlow 演算法的額外介面 - calcOpticalFlowSparseToDense()

◆ findCorrespondences()

template<int T>

void cv::optflow::GPCForest< T >::findCorrespondences	(	InputArray	imgFrom,
		InputArray	imgTo,
		std::vector< std::pair< Point2i, Point2i > > &	corr (對應關係),
		const GPCMatchingParams	params (參數) = GPCMatchingParams() ) const

#include <opencv2/optflow/sparse_matching_gpc.hpp>

尋找兩張圖像之間的對應關係。

參數

[in]	imgFrom	序列中的第一張圖像。
[in]	imgTo	序列中的第二張圖像。
[out]	corr (對應關係)	包含成對對應點的輸出向量。
[in]	params	用於微調的額外匹配參數。

這是此函式的呼叫圖

◆ segmentMotion()

void cv::motempl::segmentMotion	(	InputArray	mhi (運動歷史圖像),
		OutputArray	segmask (分割遮罩),
		std::vector< Rect > &	boundingRects (外接矩形),
		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>

將運動歷史圖像分割成幾個部分，對應於各別獨立的運動（例如：左手、右手）。

參數

mhi (運動歷史圖像)	運動歷史圖像。
segmask (分割遮罩)	應儲存找到的遮罩的圖像，單通道，32 位元浮點型。
boundingRects (外接矩形)	包含運動連通元件 ROI 的向量。
timestamp (時間戳)	目前的毫秒時間或其他單位。
segThresh (分割閾值)	建議等於或大於運動歷史 "步驟" 之間間隔的分割閾值。

該函數尋找所有運動分段，並在 segmask 中以各別值 (1,2,...) 標記它們。它還計算一個包含運動連通元件 ROI 的向量。之後可以使用 calcGlobalOrientation 並配合提取的特定元件遮罩，來計算每個元件的運動方向。

◆ updateMotionHistory()

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

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

#include <opencv2/optflow/motempl.hpp>

透過移動輪廓更新運動歷史圖像。

參數

silhouette (輪廓)	在發生運動處具有非零像素的輪廓遮罩。
mhi (運動歷史圖像)	由函數更新的運動歷史圖像（單通道，32 位元浮點型）。
timestamp (時間戳)	目前的毫秒時間或其他單位。
duration (持續時間)	與 timestamp 單位相同的運動軌跡最大持續時間。

該函數如下更新運動歷史圖像：

\[\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 像素被設置為目前的 timestamp，而上次發生運動的時間很久以前的像素則被清除。

該函數連同 calcMotionGradient 和 calcGlobalOrientation 一起實作了 [69] 和 [40] 中描述的運動模板技術。

詳細描述

類別

型別定義

列舉

函式

類型定義說明文件

◆ GPCSamplesVector

列舉類型文件

◆ GPCDescType

◆ InterpolationType

◆ SolverType

◆ SupportRegionType

函式文件

◆ 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()