C++opencv 中lucas-kanade光流计算自实现

Lucas-Kanade光流算法是一种基于局部区域的光流算法，它假设图像中任意两帧之间的像素值变化是平滑的，然后使用局部区域内的像素值变化来估计每个像素的运动向量。在本文中，我们将介绍如何在OpenCV中自实现Lucas-Kanade光流算法。

步骤一：读取图像

首先，我们需要读取两张待计算光流的图像。在本例中，我们将使用名为“frame1”和“frame2”的两张图像。

Mat frame1 = imread("frame1.jpg");
Mat frame2 = imread("frame2.jpg");

步骤二：提取关键点

接下来，我们需要从两个图像中提取关键点。我们可以使用OpenCV中的FAST或SIFT等算法来提取关键点。在本例中，我们将使用FAST算法。

vector<KeyPoint> keypoints1, keypoints2;
int threshold = 20; // 设置FAST算法的阈值
bool nonmaxSuppression = true; // 设置是否进行非极大值抑制
FAST(frame1, keypoints1, threshold, nonmaxSuppression);
FAST(frame2, keypoints2, threshold, nonmaxSuppression);

步骤三：计算光流

现在我们已经提取了关键点，接下来我们需要计算这些关键点的光流向量。我们可以使用OpenCV中的calcOpticalFlowPyrLK函数来计算光流向量。该函数使用金字塔表示法和Lucas-Kanade算法来计算光流向量。

vector<uchar> status;
vector<float> err;
Size winSize = Size(21, 21); // 设置光流计算窗口的大小
int maxLevel = 3; // 设置金字塔的最大层数
TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01); // 设置终止条件
calcOpticalFlowPyrLK(frame1, frame2, keypoints1, keypoints2, status, err, winSize, maxLevel, criteria);

步骤四：绘制光流

最后，我们可以将光流向量绘制在第一张图像上，以便我们可以观察到光流的效果。

for (int i = 0; i < keypoints1.size(); i++)
{
if (status[i])
{
Point2f p1 = keypoints1[i].pt;
Point2f p2 = keypoints2[i].pt;
line(frame1, p1, p2, Scalar(0, 0, 255), 2);
}
}
imshow("Optical Flow", frame1);

完整代码：