光流是由物體或相機的運動引起的圖像對象在兩個連續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近似; 也就是說，它們使用關于空間和時間坐標的偏導數。

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,但效果一般優于稀疏光流.

函數:

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:

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 金字塔層數包括初始圖像; levels = 1意味著不會創建額外的圖層，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，但會產生更模糊的運動場。

iterations 每個金字塔等級上執行迭代算法的迭代次數。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，產生更穩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相同的穩健性水平。

示例:

#!/usr/bin/python# coding:utf8import numpy as npimport cv2step=10if __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()

以上這篇opencv3/Python 稠密光流calcOpticalFlowFarneback詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林網之家。