CV学习笔记(九):光流法的实现

在上一篇文章中,我们简单了解一下光流法的原理.

在这一篇文章中,我们使用OpenCV中的calcOpticalFlowPyrLK()函数来实现,是基于金字塔LK光流算法，计算某些点集的稀疏光流。

这个函数的具体介绍在

http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/video/doc/motion_analysis_and_object_tracking.html#calcopticalflowfarneback

这个网址有很详细的介绍,一些具体的参数需要去这个网站上看一下.

在接下来,我们来看一下在OpenCV中lk算法的实现.

代码的路径在opencv\sources\samples\python\lk_track.py

代码本身有英文的注释,我一起把注释翻译成中文,捋顺以后发现原理还是很好理解.

import numpy as np

import cv2 as cv

cap = cv.VideoCapture("test.avi")

# params for ShiTomasi corner detection 设置 ShiTomasi 角点检测的参数

feature_params = dict(maxCorners=100,

                      qualityLevel=0.3,

                      minDistance=7,

                      blockSize=7)

# Parameters for lucas kanade optical flow 设置 lucas kanade 光流场的参数

# maxLevel 为使用的图像金字塔层数

lk_params = dict(winSize=(15, 15),

                maxLevel=2,

                criteria=(cv.TERM_CRITERIA_EPS | cv.TERM_CRITERIA_COUNT, 10, 0.03))

# Create some random colors 产生随机的颜色值

color = np.random.randint(0, 255, (100, 3))

# Take first frame and find corners in it 获取第一帧，并寻找其中的角点

(ret, old_frame) = cap.read()

old_gray = cv.cvtColor(old_frame, cv.COLOR_BGR2GRAY)

p0 = cv.goodFeaturesToTrack(old_gray, mask=None, **feature_params)

# Create a mask image for drawing purposes 创建一个掩膜为了后面绘制角点的光流轨迹

mask = np.zeros_like(old_frame)

# 视频文件输出参数设置

out_fps = 12.0  # 输出文件的帧率

fourcc = cv.VideoWriter_fourcc('M', 'P', '4', '2')

sizes = (int(cap.get(cv.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv.CAP_PROP_FRAME_HEIGHT)))

out = cv.VideoWriter('E:/video/v5.avi', fourcc, out_fps, sizes)

while True:

    (ret, frame) = cap.read()

    frame_gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)

    # calculate optical flow 能够获取点的新位置

    p1, st, err = cv.calcOpticalFlowPyrLK(old_gray, frame_gray, p0, None, **lk_params)

    # Select good points 取好的角点，并筛选出旧的角点对应的新的角点

    good_new = p1[st == 1]

    good_old = p0[st == 1]

    # draw the tracks 绘制角点的轨迹

    for i, (new, old) in enumerate(zip(good_new, good_old)):

        a, b = new.ravel()

        c, d = old.ravel()

        mask = cv.line(mask, (a, b), (c, d), color[i].tolist(), 2)

        frame = cv.circle(frame, (a, b), 5, color[i].tolist(), -1)

    img = cv.add(frame, mask)

    cv.imshow('frame', img)

    out.write(img)

    k = cv.waitKey(200) & 0xff

    if k == 27:

        break

    # Now update the previous frame and previous points 更新当前帧和当前角点的位置

    old_gray = frame_gray.copy()

    p0 = good_new.reshape(-1, 1, 2)

out.release()

cv.destroyAllWindows()

cap.release()

运行之后的结果:

可以看到这个算法实现起来效果很差,不过没关系,到后来一步一步我们的算法会变得很优秀,追踪的效率也会很顺畅.大家亦可以改改里边的参数,发现效果还是有很大的不一样.

最后,有关LK光流法,推荐看一看这一篇论文《Pyramidal Implementation of the Lucas Kanade Feature TrackerDescription of the algorithm》,会有更大的收获.