如何计算 Lucas Kanade 流量

Question

我目前正在从事一个对象跟踪项目，并使用过 c++ 、 opencv 。我已经成功使用 Farneback 密集光流来实现分割方法，例如 k 均值（使用每帧中的位移）。现在我想用 Lucas Kanade 稀疏方法做同样的事情。但是这个函数的输出是：

nextPts – 2D 点的输出向量（具有单精度浮点坐标），包含第二张图像中输入特征的计算新位置；当传递 OPTFLOW_USE_INITIAL_FLOW 标志时，向量必须与输入中的大小相同。

（如官网所述）

例如，我的问题是 如何将结果转换为 Mat 流。到目前为止我已经尝试过：

//实现Lucas Kanade算法

cvCalcOpticalFlowPyrLK(frame1_1C, frame2_1C, pyramid1, pyramid2,
frame1_features, frame2_features, number_of_features,
optical_flow_window, 5, optical_flow_found_feature,
optical_flow_feature_error, optical_flow_termination_criteria,
0);
 // Calculate each feature point's coordinates in every frame 
 CvPoint p,q;
 p.x = (int) frame1_features[i].x;
 p.y = (int) frame1_features[i].y;

 q.x = (int) frame2_features[i].x;
 q.y = (int) frame2_features[i].y;
// Creating the arrows for imshow

angle = atan2((double) p.y - q.y, (double) p.x - q.x);
hypotenuse = sqrt(square(p.y - q.y) + square(p.x - q.x));

/* Here we lengthen the arrow by a factor of three. */

q.x = (int) (p.x - 3 * hypotenuse * cos(angle));
q.y = (int) (p.y - 3 * hypotenuse * sin(angle));

cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);

p.x = (int) (q.x + 9 * cos(angle + pi / 4));
p.y = (int) (q.y + 9 * sin(angle + pi / 4));
cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);
p.x = (int) (q.x + 9 * cos(angle - pi / 4));
p.y = (int) (q.y + 9 * sin(angle - pi / 4));
cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);

allocateOnDemand(&framenew, frame_size, IPL_DEPTH_8U, 3);
cvConvertImage(frame1, framenew, CV_CVTIMG_FLIP);

cvShowImage("Optical Flow", framenew);

这是光流演示。任何想法我应该如何获得类似于 Farneback 光流结果的 Mat 流？

(http://docs.opencv.org/2.4/modules/video/doc/motion_analysis_and_object_tracking.html#calcopticalflowfarneback)

更新：非常好的答案。但是现在我在显示 kmeans 图像时遇到了问题。我使用了farneback：

cv::kmeans(m, K, bestLabels,
                TermCriteria( CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 1.0),
                3, KMEANS_PP_CENTERS, centers);
        int colors[K];
        for (int i = 0; i < K; i++) {
            colors[i] = 255 / (i + 1);
        }

        namedWindow("Kmeans", WINDOW_NORMAL);

        Mat clustered = Mat(flow.rows, flow.cols, CV_32F);

        for (int i = 0; i < flow.cols * flow.rows; i++) {
            clustered.at<float>(i / flow.cols, i % flow.cols) =
                    (float) (colors[bestLabels.at<int>(0, i)]);
        }
        clustered.convertTo(clustered, CV_8U);
        imshow("Kmeans", clustered);

有什么想法吗？ ?

Answer 1

要获得像 Farneback 算法这样的图像，您必须首先了解输出是什么。

在 OpenCV 文档中你有：

prev(y,x) ~ next(y + flow(y,x)[1], x +flow(y,x)[0])

因此，它是图像 1 和 2 之间的位移矩阵。假设您不计算的点将没有移动 0,0；你可以模拟这个，你只需要为每个点 (x,y) 放置新位置 (x', y'):

cv::Mat LKFlowMatrix(img.rows, img.cols, CV_32FC2, cv::Scalar(0,0));
LKFlowMatrix.at<cv::Vec2f>(y,x) = cv::Vec2f(x-x', y-y') ;

另外，不要忘记过滤状态 = 0 的“未找到点”

顺便说一句，你的函数不是它的opencv c++版本：

cvCalcOpticalFlowPyrLK 在 C++ 中应该是 cv::calcOpticalFlowFarneback cvShowImage应该是cv::imshowc++ 等等

** 更新 **

由于您需要的是 kmeans 的输入（我想这是 OpenCV 版本），并且您只想使用稀疏点，那么您可以执行以下操作：

cv::Mat prevImg, nextImg;
// load your images

std::vector<cv:Point2f> initial_points, new_points;
// fill the initial points vector 

std::vector<uchar> status;
std::vector<float> error;

cv::calcOpticalFlowPyrLK(prevImage, nextImage, initial_points, new_points, status, errors);

std::vector<cv::Vec2f> vectorForKMeans;
for(size_t t = 0; t < status.size(); t++){
  if(status[t] != 0)
    vectorForKmeans.push_back(cv::Vec2f(initial_points[i] - new_points[i]));
}

// Do kmeans to vectorForKMeans