详解LK光流法（含金字塔多层光流），反向光流法（附代码）

LK光流法可用来跟踪特征点的位置。
比如在img1中的特征点，由于相机或物体的运动，在img2中来到了不同的位置。后面会称img1为Template（T），img2为I。

光流法有个假设：
灰度不变假设：同一个空间点的像素灰度值，在各图像中是不变的，也就是说T中特征点处的灰度，到了I中仍然是一样的灰度。

这就要求光照恒定，物体反射恒定，是个很强的假设。

现在要估计的是运动偏移量[dx, dy]，也就是光流。仅用一个点无法解，一般会取一个窗口内的像素，考虑它们具有相同的运动。

用最小二乘法来解像素的运动如下：

这里的W表示对图像 I 进行像素变换，把它变到T所在的时间，即运动前的图像，看跟T有多大误差。这里假设对窗口内的像素进行变换。
p是运动位移量(dx, dy)。

这是个非线性优化问题，因为像素是跟坐标不是线性关系。
这时可以假设p已经知道了（假设就是运动前的点坐标，或者给定一个值），在它的基础上不断加上增量进行调整。
于是变成了优化如下问题，把它叫做error：

每次估计出增量Δp\Delta pΔp
更新p，

(4)(5)两步反复迭代直到达到收敛条件，收敛条件可以是
Δp\Delta pΔp 小于一个阈值，或者(4)中的cost比前一次大（理论上cost是逐渐减小的）

上面就是最小二乘法求光流的大概步骤，具体如何求Δp\Delta pΔp，下面是高斯牛顿法解Δp\Delta pΔp，及迭代出光流(dx, dy)的步骤：

把上面的(4)式，也就是cost函数，对I(W(x;p+Δp))I(W(x;p+\Delta p))I(W(x;p+Δp))进行一阶泰勒展开，得到：

这里的▽I\bigtriangledown I▽I指在图像 I，也就是img2中对特征点处求x，y方向上的梯度，然后通过W变换回T的坐标中。
∂W/∂p\partial W/ \partial p∂W/∂p指W对p求偏导。
举个例子吧，假如W如下

那么[∂Wx/∂p1∂Wx/∂p2∂Wy∂p1∂Wy/∂p2]=[1001]\left[ \begin{matrix} \partial W_x/ \partial p1 & \partial W_x/ \partial p2 \\ \partial W_y \partial p1 & \partial W_y/ \partial p2 \\ \end{matrix} \right] = \left[ \begin{matrix} 1 &0 \\ 0 & 1 \\ \end{matrix} \right] [∂Wx/∂p1∂Wy∂p1∂Wx/∂p2∂Wy/∂p2]=[1001]
上面的(p1, p2)就是我们要求的光流(dx, dy), 这个∂W/∂p\partial W/ \partial p∂W/∂p就是雅可比矩阵JJJ
上面（6）式对Δp\Delta pΔp求偏导，得到：

先解释一下Δp\Delta pΔp和上面p的关系，上面的p是我们要求的光流(dx, dy)，而直接求比较困难，现在假设已经知道初始的(dx, dy), 比如(0, 0)，要通过每次求(dx, dy)的增量(Δdx,Δdy)\Delta dx, \Delta dy)Δdx,Δdy), 也就是Δp\Delta pΔp，来不断修正(dx, dy), 直到收敛。
另上面(9)式偏导为0，可求得：

这就是最小二乘法的解，
其实可以想到最小二乘法解增量问题的形式一般是
HΔx=bH \Delta x = bHΔx=b, 其中
H=JJT,b=−JeH = JJ^{T}, b = -JeH=JJT,b=−Je, eee即为error函数。

同样地，上面的H=JJTH = JJ^{T}H=JJT,

Δp\Delta pΔp一旦求出，就可以不断迭代，得到最终的光流(dx, dy), 也就是p了。

下面通过一个例子说明如何追踪特征点的光流。

先在img1，也就是T里提取特征点kp1

Mat img1 = imread("../imgs/LK1.png", 0); //T
Mat img2 = imread("../imgs/LK2.png", 0);  //I//key points
vector<KeyPoint> kp1;
FAST(img1, kp1, 40); //可以用其他特征点

对每个特征点kp1[i], 设初始(dx, dy) = (0, 0)

auto kp = kp1[i];
double dx = 0, dy = 0;  //需要估计

要用到的几个矩阵

Eigen::Matrix2d H = Eigen::Matrix2d::Zero();  //Hessian
Eigen::Vector2d b = Eigen::Vector2d::Zero();  //bias
Eigen::Vector2d J;   //Jacobian

前面说了，不能只计算一个点，要计算一个小窗口内的点，并假设它们的运动是一样的。
代码中出现了逆向光流法，这个后面解释。
下面的代码中求出了H, b, 而Δp=H−1b\Delta p = H^{-1}bΔp=H−1b

//计算cost和jacobian
for(int x = -half_patch_size; x < half_patch_size; x++) {for(int y = -half_patch_size; y < half_patch_size; y++) {double error = GetPixelValue(img1, kp.pt.x + x, kp.pt.y + y) -GetPixelValue(img2, kp.pt.x + x + dx, kp.pt.y + y + dy);if(inverse == false) {//error分别对dx, dy求导，因为是离散的，所以用dx+1,dx-1的位移差，dy同样//x, y是窗口内的偏移量//img1中没有dx, dy的变量，所以只有img2J = -1.0 * Eigen::Vector2d(0.5 * (GetPixelValue(img2, kp.pt.x + x + dx + 1, kp.pt.y + y + dy) -GetPixelValue(img2, kp.pt.x + x + dx - 1, kp.pt.y + y + dy)),0.5 * (GetPixelValue(img2, kp.pt.x + x + dx, kp.pt.y + y + dy + 1) -GetPixelValue(img2, kp.pt.x + x + dx, kp.pt.y + y + dy - 1)));}else if (iter == 0) {//反向光流法，只需计算第一次的H，后面H固定J = -1.0 * Eigen::Vector2d(0.5 * (GetPixelValue(img1, kp.pt.x + x + 1, kp.pt.y + y) -GetPixelValue(img1, kp.pt.x + x - 1, kp.pt.y + y)),0.5 * (GetPixelValue(img1, kp.pt.x + x, kp.pt.y + y + 1) -GetPixelValue(img1, kp.pt.x + x, kp.pt.y + y - 1)));}//计算H, b and set costb += -error * J;cost += error * error;//正向光流法每次迭代都要更新Hif(inverse == false || iter == 0) {H += J * J.transpose();}}

Δp=H−1b\Delta p = H^{-1}bΔp=H−1b

Eigen::Vector2d update = H.ldlt().solve(b);  //避免求矩阵的逆//最小二乘收敛
if(iter > 0 && cost > lastCost) {break;
}

迭代更新(dx, dy)

dx += update[0];
dy += update[1];
lastCost = cost;

最后(dx, dy)就是我们要求的光流，根据img1中的keypoint kp1, 可以追踪到img2中的keypoint坐标为

kp2[i].pt = kp.pt + Point2f(dx, dy);

以上是单层光流，下面说说金字塔的多层光流
假设左边最下面一层(3号）是原图像img1 (T), 那么往上（2号，1号）就是对img1的缩放，右边最下面一层是img2, 往上是对img2的缩放。

double pyramid_scale = 0.5;
//create pyramids
vector<Mat> pyr1, pyr2;  //image pyramids
for(int i = 0; i < pyramids; i++) {if(i == 0) {pyr1.push_back(img1);pyr2.push_back(img2);} else {Mat img1_pyr, img2_pyr;//cv::Size（列，行）resize(pyr1[i - 1], img1_pyr,Size(pyr1[i-1].cols * pyramid_scale, pyr1[i-1].rows * pyramid_scale));resize(pyr2[i - 1], img2_pyr,Size(pyr2[i-1].cols * pyramid_scale, pyr2[i-1].rows * pyramid_scale));pyr1.push_back(img1_pyr);pyr2.push_back(img2_pyr);}
}

计算光流时，从最上面一层（1号）计算。
左边1号缩放的img1为T，右边1号缩放的img2为I，以img1的keypoint kp1计算光流，得到kp2。
到计算下面两层的时候，以上一层光流的结果作为下一层的初始假设，而不是像最上层那样假设(dx, dy) = (0, 0)。

double dx = 0, dy = 0;  //需要估计
if(has_initial) {dx = kp2[i].pt.x - kp.pt.x;  //x位移dy = kp2[i].pt.y - kp.pt.y;  //y位移
}

这样做有什么好处呢？假设移动了20个像素，直接求光流可能由于变化太大而陷入局部极值；但是缩放之后可能就只移动了5个像素，这就是一种coarse to fine的思想。

现在来说逆向光流法，
前面正向光流每迭代一次都要计算一次H，计算量很大。考虑有没有一种方法可以只计算一次H，然后后面都用这个H。
逆向光流法是前面正向光流的逆向，也就是交换一下方向，现在是从I 反向回到T，也就是从运动之后的 I 变换回运动前的T。
引用一个图方便理解

error函数如下，只需要交换T 和 I

计算得到：

其中

可以看到由于T 是运动前的img，并没有移动p=(dx, dy)，因此H和p无关，每次迭代计算Δp\Delta pΔp时H是恒定的，只需要在第一次迭代时计算一次即可。对应了上面代码的如下部分：

}else if (iter == 0) {//反向光流法，只需计算第一次的H，后面H固定//H只和T,也就是img1有关J = -1.0 * Eigen::Vector2d(0.5 * (GetPixelValue(img1, kp.pt.x + x + 1, kp.pt.y + y) -GetPixelValue(img1, kp.pt.x + x - 1, kp.pt.y + y)),0.5 * (GetPixelValue(img1, kp.pt.x + x, kp.pt.y + y + 1) -GetPixelValue(img1, kp.pt.x + x, kp.pt.y + y - 1)));}

每次迭代中H不需再更新

if(inverse == false || iter == 0) {H += J * J.transpose();
}

上面就是正向光流，反向光流，如果想了解更加详细的资料，请参考paper
完整版代码请参考链接

详解LK光流法（含金字塔多层光流），反向光流法（附代码）相关推荐

MCMC详解2——MCMC采样、M-H采样、Gibbs采样（附代码）
MCMC是一种随机采样方法,用来处理一些复杂运算的近似求解.在HMM.LDA等模型中都有重要应用. 上一篇 MCMC详解1--蒙特卡洛方法目录 1,马尔科夫链模型 1.1 马尔科夫链转移矩阵的性质 ...
vue template html属性,详解template标签用法(含vue中的用法总结)
一.html5中的template标签 html中的template标签中的内容在页面中不会显示.但是在后台查看页面DOM结构存在template标签.这是因为template标签天生不可见,它设置了 ...
详解python实现FP-TREE进行关联规则挖掘(带有FP树显示功能)附源代码下载(3)
详解python实现FP-TREE进行关联规则挖掘(带有FP树显示功能)附源代码下载(3) 上一节简单讲了下FP树的生成,在这一节我将描述FP树的挖掘过程. 首先我们回顾一下要挖掘的特征项及样本空间: ...
python中fp是什么意思_详解python实现FP-TREE进行关联规则挖掘(带有FP树显示功能)附源代码下载(3)...
详解python实现FP-TREE进行关联规则挖掘(带有FP树显示功能)附源代码下载(3) 上一节简单讲了下FP树的生成,在这一节我将描述FP树的挖掘过程. 首先我们回顾一下要挖掘的特征项及样本空间: ...
python编程入门与案例详解pdf-这些年我读过的技术经典图书(附电子版下载地址)...
C技术资料 1.<> 作者: 谭浩强这是我推荐的第一本书, 也是我接触的第一本书, 为什么把它放在第一位, 因为我觉得这本书对我的影响很大, 感觉这本书的最大特点是: 内容很全面, 内容 ...
操作指令详解_爱码小士丨 APP稳定性测试（附视频详解）
在实际的测试过程中,主要是对系统的功能来进行测试,用于校验功能的正确性还需要考虑到系统在未修改的状态下,是否能够稳定运行,即崩溃.闪退.重启.系统异常等等等地情况在APP中,稳定性测试一般是交由M ...
【Spring AOP】@Aspect结合案例详解（二）: @Pointcut使用@within和within（已附源码）
文章目录前言 @within 完善打印日志案例 @within深入说明 within 匹配指定类匹配指定包(package) 源码下载总结前言在微服务流行的当下,在使用Spring Clou ...
simulink仿真实例详解_三菱FX 5U PLC模块硬件精品实例，附接线图
今天说说三菱FX5U 模块硬件的接线实例,主要有以下几个方面:电源AC.DC接线.输入输出接线.模拟量接线.不同原理有不同的接线方式,现在给大家仔细讲解分享! AC电源接线例漏型输入[-公共端]时的 ...
❤️十大排序算法详解❤️——可能是你看过最全的，完整版代码
文章目录前言交集排序冒泡简单快速排序插入排序直接插入排序希尔排序选择排序简单选择排序堆排序归并排序二路多路非比较类计数排序桶排序基数排序最后前言兄弟们,应上篇 ...

详解LK光流法（含金字塔多层光流），反向光流法（附代码）

详解LK光流法（含金字塔多层光流），反向光流法（附代码）相关推荐

最新文章

热门文章