跳转至

Opencv–古纳尔-法内克光流

原文:https://www.geesforgeks.org/opencv-the-Gunnar-farneback-optical-flow/

在本文中，我们将通过 Gunnar FarneBack 技术了解密集光流，它发表在 Gunnar FarneBack 2003 年的一篇名为“基于多项式展开的两帧运动估计”的研究论文中。 先决条件: OpenCV 光流: 光流被称为物体表观运动的模式，即它是序列中每两个连续帧之间物体的运动，这是由被捕捉物体的运动或捕捉它的摄像机引起的。考虑一个强度为 I (x，y，t) 的物体，在时间 dt 之后，它移动到由 dx 和 dy 组成，现在，新的强度将是， I (x+dx，y+dy，t+dt) 。

我们，假设两帧之间的像素强度是恒定的，即， I (x，y，t) = I (x+dx，y+dy，t+dt) 泰勒近似是在 RHS 侧完成的，结果是，

除以 δt ，得到光流方程，即

其中， u = dx/dt 和 v = dy/dt 。 同样， dI/dx 是沿横轴的图像梯度， dI/dy 是沿纵轴的图像梯度，dI/dt 是沿时间。 既然，我们只有一个方程来求两个未知数，我们就用不同的方法来求解，

Gunnar Farneback 光流 在密集光流中，我们观察所有的点(与 Lucas Kanade 不同，Lucas Kanade 只对 Shi-Tomasi 算法检测到的角点起作用)，并检测两帧之间的像素强度变化，在转换为 hsv 格式以获得清晰的可见性后，产生具有高亮像素的图像。 它根据一组流动矢量计算光流的大小和方向，即 (dx/dt，dy/dt) 。随后，它通过色调可视化流动的角度(方向)，通过 HSV 颜色表示值可视化流动的距离(幅度)。为了使能见度达到最佳，高速公路的强度设置为 255。OpenCV 提供了一个功能cv2.calcopticalflowfarneback来观察密集的光流。 语法:

 cv2.calcOpticalFlowFarneback(prev, next, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags[, flow])

参数:

  • prev:8 位单通道格式的第一幅输入图像。
  • 下一个:与上一个相同类型和大小的第二个输入图像。
  • pyr_scale : 参数，指定为每个图像构建金字塔的图像比例(比例< 1)。一个经典的金字塔一般是 0.5 的比例，每增加一层，它就会减少一半。
  • 关卡: 关卡=1 表示，没有多余的图层(只有初始图像)。它是包含第一个图像的金字塔层数。
  • winsize : 是平均窗口大小，大小越大，算法对噪声的鲁棒性越强，提供快速的运动检测，虽然给出的是模糊的运动场。
  • 迭代次数:在每个金字塔级别要执行的迭代次数。
  • poly_n : 一般是 5 或者 7，是像素邻域的大小，用来寻找像素之间的多项式展开。
  • poly_sigma : 高斯的标准差，即导数要平滑作为多项式展开的基础。 poly= 5 可以是 1.1， poly 可以是 1.5 = 7。
  • 流量:计算出的流量图像，其大小与上一个相似，类型为 CV_32FC2。
  • 标志:可以是- OPTFLOW_USE_INITIAL_FLOW 使用输入流作为初始近似的组合。 optlow_FARNEBACK_GAUSSIAN 使用高斯 winsizewinsize* 滤镜。

代码:

蟒蛇 3

# Importing libraries
import cv2
import numpy as np
# Capturing the video file 0 for videocam else you can provide the url
capture = cv2.VideoCapture("video_file.avi")

# Reading the first frame
_, frame1 = capture.read()
# Convert to gray scale
prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
# Create mask
hsv_mask = np.zeros_like(frame1)
# Make image saturation to a maximum value
hsv_mask[..., 1] = 255

# Till you scan the video
while(1):

    # Capture another frame and convert to gray scale
    _, frame2 = capture.read()
    next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)

    # Optical flow is now calculated
    flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 15, 3, 5, 1.2, 0)
    # Compute magnite and angle of 2D vector
    mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
    # Set image hue value according to the angle of optical flow
    hsv_mask[..., 0] = ang * 180 / np.pi / 2
    # Set value as per the normalized magnitude of optical flow
    hsv_mask[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
    # Convert to rgb
    rgb_representation = cv2.cvtColor(hsv_mask, cv2.COLOR_HSV2BGR)

    cv2.imshow('frame2', rgb_representation)
    kk = cv2.waitKey(20) & 0xff
    # Press 'e' to exit the video
    if kk == ord('e'):
        break
    # Press 's' to save the video
    elif kk == ord('s'):
        cv2.imwrite('Optical_image.png', frame2)
        cv2.imwrite('HSV_converted_image.png', rgb_representation)
    prvs = next

capture.release()
cv2.destroyAllWindows()

输入

输出:

  • https://docs.opencv.org/2.4/modules/video/doc/motion_analysis_and_object_tracking.html
回到顶部