光学流

用Horn-Schunck方法估算光流的目标

在第页中展开全部

描述

创建光流对象，以便使用Horn-Schunck方法估计移动对象的方向和速度。使用对象函数估计流量估计光流矢量。使用重置对象功能，可以重置光流对象的内部状态。

创造

语法

opticFlow=opticalFlowHS

opticFlow=opticalFlowHS（名称、值）

描述

光流=光学流量返回一个光流对象，您可以使用它来估计视频中移动对象的方向和速度。采用Horn-Schunck方法估计光流。

实例

光流= opticalFlowHS (名称、值)返回属性指定为一个或多个的光流对象名称、值配对参数。任何未指定的属性都有默认值。用引号将每个属性名称括起来。

例如,光学流量（“平滑度”，1.5）

性质

全部展开

`平滑度`—预期的平滑度
`1.`（默认）|正标量

光流的期望平滑度，指定为正标量。当连续帧之间的运动增加时，增加这个值。的典型值“平滑度”在附近1.．

`最大迭代`—最大迭代次数
`10`（默认）|正整数值标量

最大迭代次数，指定为正整数值标量。增加这个值来估计低速物体的光流。

当迭代次数等于的值时，迭代计算停止“最大迭代”或者当算法达到为“速度差异”．仅通过使用停止计算“最大迭代”，设置“速度差异”到0．

`速度差`—最小绝对速度差
`0`（默认）|正标量

最小绝对速度差，指定为正标量。这个值取决于输入数据类型。减小这个值来估计低速物体的光流。

当算法达到设置的值时，迭代计算停止“速度差异”或者迭代次数等于“最大迭代”.仅限使用“速度差异”要停止计算，请设置“最大迭代”到正．

目标函数

`估计流量`	光流估计
`重置`	重置光流估计对象的内部状态

例子

全部崩溃

用Horn-Schunck方法估算光流

打开生活的脚本

创建一个VideoReader对象，用于输入视频文件，visiontraffic.avi. 指定要读取为11的帧的时间戳。

vidReader = VideoReader (“visiontraffic.avi”,“当前时间”11);

指定光流量估计方法为光学流. 输出是指定光流估计方法及其属性的对象。

opticFlow=opticalFlowHS

opticFlow=具有以下特性的opticalFlowHS：平滑度：1最大迭代次数：10速度差异：0

创建自定义图形窗口以可视化光流矢量。

h =图;movegui (h);hViewPanel = uipanel (h,“位置”,[0 0 1 1],“标题”,“光流矢量图”); hPlot=轴（hViewPanel）；

从中读取图像帧VideoReader对象并转换为灰度图像。从连续图像帧估计光流。显示当前图像帧，并将光流矢量绘制为箭图。

而hasFrame（vidReader）frameRGB=readFrame（vidReader）；frameGray=rgb2gray（frameRGB）；流量=估计流量（opticFlow，框架灰色）；imshow（帧RGB）保持在情节(流,“决策因素”,[5 5],“ScaleFactor”,60,“父”, hPlot);持有从暂停（10^-3）终止

算法

全部展开

要计算两个图像之间的光流，必须解这个光流约束方程:

$我_{x} U + 我_{Y} v + 我_{T} = 0$

．

$我_{x}$ , $我_{Y}$ , $我_{T}$ 是时空图像亮度的导数。
U是水平光流。
v是垂直光流。

Horn-Schunck方法

通过假设光流在整个图像上是平滑的，Horn-Schunck方法估计速度场， $[\begin{matrix} U & v]^{T} \end{matrix}$ ，使该等式最小化：

$E = \iint (我_{x} U + 我_{Y} v + 我_{T})^{2.} D x D Y + α \iint {{(\frac{\partial U}{\partial x})}^{2.} + {(\frac{\partial U}{\partial Y})}^{2.} + {(\frac{\partial v}{\partial x})}^{2.} + {(\frac{\partial v}{\partial Y})}^{2.}} D x D Y$

．

在这个方程, $\frac{\partial U}{\partial x}$ 和 $\frac{\partial U}{\partial Y}$ 是光速分量的空间导数，U, $α$ 缩放全局平滑度项。Horn-Schunck方法最小化之前的方程以获得速度场[u v]，用于图像中的每个像素。该方法由以下方程式给出：

$\begin{array}{l} U_{x, Y}^{K + 1.} = {\bar{U}}_{x, Y}^{K} - \frac{我_{x} [我_{x} {\bar{U}}^{K}_{x, Y} + 我_{Y} {\bar{v}}^{K}_{x, Y} + 我_{T}]}{α^{2.} + 我_{x}^{2.} + 我_{Y}^{2.}} \\ v_{x, Y}^{K + 1.} = {\bar{v}}_{x, Y}^{K} - \frac{我_{Y} [我_{x} {\bar{U}}^{K}_{x, Y} + 我_{Y} {\bar{v}}^{K}_{x, Y} + 我_{T}]}{α^{2.} + 我_{x}^{2.} + 我_{Y}^{2.}} \end{array}$

．

在这些方程, $[\begin{matrix} U_{x, Y}^{K} & v_{x, Y}^{K} \end{matrix}]$ 为像素在(x、 y)，及 $[\begin{matrix} {\bar{U}}_{x, Y}^{K} & {\bar{v}}_{x, Y}^{K} \end{matrix}]$ 附近的平均值是多少 $[\begin{matrix} U_{x, Y}^{K} & v_{x, Y}^{K} \end{matrix}]$ 对于k=0，初始速度为0。

解决U和v使用Horn-Schunck方法：

计算 $我_{x}$ 和 $我_{Y}$ 通过使用Sobel卷积核， $[\begin{matrix} - 1. & - 2. & \begin{matrix} \begin{matrix} \begin{matrix} - 1.; & 0 & 0 \end{matrix} & 0; & 1. \end{matrix} & 2. & 1. \end{matrix} \end{matrix}]$ ，以及第一张图像中每个像素的转置形式。
计算 $我_{T}$ 在图像1和2之间使用 $[\begin{matrix} - 1. & 1. \end{matrix}]$ 内核
假设之前的速度为0，使用 $[\begin{matrix} 0 & 1. & \begin{matrix} 0; & 1. & \begin{matrix} 0 & 1.; & \begin{matrix} 0 & 1. & 0 \end{matrix} \end{matrix} \end{matrix} \end{matrix}]$ 作为一个卷积核。
迭代求解U和v．

参考文献

[1] Barron，J.L.，D.J.Fleet，S.S.Beauchemin和T.A.Burkitt.“光流技术的性能”，载于计算机视觉与模式识别(CVPR)，236-242. 伊利诺伊州香槟：CVPR，1992年。

扩展能力

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。

另见

光流|opticalFlowFarneback|光流|视流狗|箭袋

介绍了R2015a

光学流

描述

创造

语法

描述

性质

`平滑度`—预期的平滑度
`1.`（默认）|正标量

`最大迭代`—最大迭代次数
`10`（默认）|正整数值标量

`速度差`—最小绝对速度差
`0`（默认）|正标量

目标函数

例子

用Horn-Schunck方法估算光流

算法

Horn-Schunck方法

参考文献

扩展能力

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。

另见

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

光学流

描述

创造

语法

描述

性质

平滑度—预期的平滑度1.（默认）|正标量

最大迭代—最大迭代次数10（默认）|正整数值标量

速度差—最小绝对速度差0（默认）|正标量

目标函数

例子

用Horn-Schunck方法估算光流

算法

Horn-Schunck方法

参考文献

扩展能力

C/C++代码生成使用MATLAB®Coder™生成C和c++代码。

另见

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

`平滑度`—预期的平滑度
`1.`（默认）|正标量

`最大迭代`—最大迭代次数
`10`（默认）|正整数值标量

`速度差`—最小绝对速度差
`0`（默认）|正标量

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。