Lucas-Kanade 方法

其原論文鏈接：http://cseweb.ucsd.edu/classes/sp02/cse252/lucaskanade81.pdf

光流法

在目標跟蹤的領域引入光流法是一個突破性進展，這還得歸功于Barron，他在1994年發布了論文“Performance of optical flow techniques”，并提出了光流這一概念。

雖然這一方法能夠對目標更好地進行跟蹤，但同時也存在一些限制性因素，包括運動連續性、運動剛性、光的變化、地表實況等?，F在大多數的光流算法都是針對全局能量函數的優化問題而提出的，這里的能量函數可以看作為代價函數，它的作用是保持系統狀態的穩定。其中它的表達式為：
$$E_{Global}=E_{Data}+\lambda E_{Prior}（1）$$
第一項 $E_{Data}$ 表示測量光流與輸入圖像的一致性問題，因為Data中的約束方程小于未知量個數，所以需要一個先驗條件來優化該函數，即使用 $E_{Prior}$ 來表示，并用 $\lambda$ 作為系數進行參數調整。

以上是基本的光流約束方程

---

Lucas-Kanade方法原理

Lucas-Kanade算法是根據兩幀圖像之間像素點的變化進行處理的，而且具有一定的稀疏性

使用這一方法有幾個假設的前提條件，如下所示：

亮度恒定，從 t 到 t+1 時刻不會出現亮度變化

運動緩慢，從 t 到 t+1 時刻不會引起位置的劇烈變化

空間一致，從 t 到 t+1 時刻像素點的鄰近點不發生變化

1. 以下是圖像匹配時考慮的問題

假設圖片的大小為NxN，特征點的大小為MxM

論文中提到了窮舉搜索(exhaustively search)進行圖像匹配的時間復雜度為 $O(M^2{N}^2)$，消耗太長的時間；也提到了爬山算法(hill-climbing algorithm)是一個局部搜索技術，在一定的情況下無法找到全局最優值，其時間復雜度為$O(M^{2}N)$；還提到了序慣性檢測算法(sequential similarity detection algorithm)中的規則不確定性。

然后提出了自己的方法，先對圖 Figure1 中的 h 進行初始估計，再針對每一個像素點使用空間強度梯度(spatial intensity gradient)方法優化 h 值，并使用類似于NR的迭代方法(Newton-Raphson iteration)對該過程進行迭代，該方法的時間復雜度為 $O(M^{2}logN)$

2.在簡單的一維情況下進行分析

通過分析我們得到了 h 的表達式，然后對 h 的值進行優化

最后我們得到了優化后的 h 表達式，進而求出更加精確的 h 值，以此來獲得相同的特征點。然后我們可以從一維擴展到多維，利用同樣的方法實現，具體步驟論文中詳細介紹了。

將LK方法應用到光流法中可參考鏈接：https://www.cnblogs.com/gnuhpc/archive/2012/12/04/2802124.html

其中的 $I(x,y,t)$ 和 $I(x+\Delta x,y+\Delta y)$ 就相當于是前面圖中所示的 $F(x)$ 和 $G(x)$ ，而 h 則相當于轉變的方位跟大小，用一階泰勒展開后的一階項

---

在OpenCV中使用LK方法

C++: void calcOpticalFlowPyrLK(InputArray prevImg, InputArray nextImg,InputArray prevPts, InputOutputArray nextPts, OutputArray status, OutputArray err, Size winSize=Size(21,21), int maxLevel=3, TermCriteria criteria=TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThreshold=1e-4 )

第一個參數 prevImg 表示的是8位輸入圖像 或者是 使用 buildOpticalFlowPyramid() 方法構建的金字塔圖像(pyramid)

第二個參數 nextImg 表示的是與 prevImg 同樣格式的輸入圖像，且是對應于 preImg 的下一幀圖像

第三個參數 prevPts 表示的是檢測到的光流（特征）的二維點向量，其中點坐標必須是單精度浮點數(single-precison floating-point)

第四個參數 nextPts 表示的是一個 包含了在下一幀圖像中計算得出的新特征位置 的二維點向量

第五個參數 status 表示的是輸出的狀態向量，如果能夠找到對應特征的流 即將向量元素置為1，若不能則置為0

第六個參數 err 表示的是輸出的誤差向量，每一個向量相關聯的特征點均設置一個誤差值，并且誤差測量的方式由 參數flags來設定

第七個參數 winSize 表示的是定義的金字塔圖像每一層的搜索窗口大小

第八個參數 maxLevel 表示的是定義的金字塔圖像的層次，如果 maxLevel=0 即只有一層圖像， maxLevel=n 即有n+1層圖像。如果金字塔圖像被傳遞給了輸入圖像，該算法會使用不超過maxLevel的層次數

第九個參數 criteria 表示的是迭代搜索算法 (iterative search algorithm) 的最終收斂條件

第十個參數 flags 表示的是操作標志

OPTFLOW_USE_INITIAL_FLOW
使用初始估計將特征點（流）儲存在 nextPts 上；如果該標志未設置，即將prePts復制到nextPts作為初始的估計值

OPTFLOW_LK_GET_MIN_EIGENVALS
使用最小特征值 (minimum eigen values) 作為誤差度量；如果該標志未設置，即取起始點到運動點之間的L1范數 (L1 norm)，然后除以窗口的像素大小作為誤差度量

第十一個參數 minEigThreshold 表示的是一個算法，計算2x2標準光流矩陣最小特征值再除以窗口的像素大小；如果求出的值小于minEigThreshold 則過濾掉相應的特征，所以這個方法可以除去不好的特征點并提高性能。

構建金字塔圖像的方法

C++: int buildOpticalFlowPyramid(InputArray img, OutputArrayOfArrays pyramid, Size winSize, int maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)

第一個參數 img 為8位的輸入圖像

第二個參數 pyramid 為輸出的金字塔圖像

第三個參數 winSize 表示的是實現光流算法的窗口大小，不能小于calcOpticalFlowPyrLK() 中的winSize參數。并且它需要計算金字塔層次所需的填充。

第四個參數 maxLevel 表示的是金字塔層次的最大層次數

第五個參數 withDerivatives 表示設置一個預計算梯度處理金字塔圖像的每一層圖像

第六個參數 pyrBorder 表示的是金字塔圖像的邊界模式

第七個參數 derivBorder 表示的是梯度的邊界模式

第八個參數 tryReuseInputImage 表示的是是否將輸入圖像的興趣區域 (ROI : Region of Intretest) 設置到金字塔圖像中，默認為 true

進行邊界填充是為了避免圖像膨脹后導致的邊界模糊的狀態，填充后才能保證對邊界像素的安全操作，以下有兩種填充邊界(borderType) 的方法

ORDER_CONSTANT： 使用常數填充邊界

BORDER_REPLICATE： 復制原圖中最臨近的行或者列

該函數返回一個int型數據，表示金字塔圖像的層次大小，不過該值小于 maxLevel

---

總結

以上是生活随笔為你收集整理的Lucas-Kanade算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。