转自：点击打开链接
OpenCV中CalcOpticalFlowFarneback函数
-
函数简介
CalcOpticalFlowFarneback()函数是利用用Gunnar Farneback的算法计算全局性的稠密光流算法（即图像上所有像素点的光流都计算出来），由于要计算图像上所有点的光流，故计算耗时，速度慢。它的核心思想主要源于”Two-Frame Motion Estimation Based on PolynomialExpansion”论文。下面是是对此函数的详细介绍。
-
函数分析
void cv::calcOpticalFlowFarneback( InputArray _prev0, InputArray _next0,
OutputArray _flow0, double pyr_scale, int levels, int winsize,
int iterations, int poly_n, double poly_sigma, int flags )
// 参数说明如下：
// _prev0：输入前一帧图像
// _next0：输入后一帧图像
// _flow0：输出的光流
// pyr_scale：金字塔上下两层之间的尺度关系
// levels：金字塔层数
// winsize：均值窗口大小，越大越能denoise并且能够检测快速移动目标，但会引起模糊运动区域
// iterations：迭代次数
// poly_n：像素领域大小，一般为5，7等
// poly_sigma：高斯标注差，一般为1-1.5
// flags：计算方法。主要包括OPTFLOW_USE_INITIAL_FLOW和OPTFLOW_FARNEBACK_GAUSSIAN
// OpenCV中此函数源码
void cv::calcOpticalFlowFarneback( InputArray _prev0, InputArray _next0,
InputOutputArray _flow0, double pyr_scale, int levels, int winsize,
int iterations, int poly_n, double poly_sigma, int flags )
{
#ifdef HAVE_OPENCL
bool use_opencl = ocl::useOpenCL() && _flow0.isUMat();
if( use_opencl && ocl_calcOpticalFlowFarneback(_prev0, _next0, _flow0, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags))
{
CV_IMPL_ADD(CV_IMPL_OCL);
return;
}
#endif
// 将_prev0和_next0转换为Mat类型
Mat prev0 = _prev0.getMat(), next0 = _next0.getMat();
const int min_size = 32;
// 创建img指针数组，img[0]指向prev0，img[1]指向next0
const Mat* img[2] = { &prev0, &next0 };
int i, k;
double scale;
Mat prevFlow, flow, fimg;
// 检查prev0和next0是否大小相同、单通道图像，金字塔尺度关系pyr_scale小于1
CV_Assert( prev0.size() == next0.size() && prev0.channels() == next0.channels() &&
prev0.channels() == 1 && pyr_scale < 1 );
// 创建和prev0大小相同，32位浮点双通道图像
_flow0.create( prev0.size(), CV_32FC2 );
// 将_flow0转换成Mat类型
Mat flow0 = _flow0.getMat();
// 循环确定金字塔层数
for( k = 0, scale = 1; k < levels; k++ )
{
// scale用于存放第k层图像与原图的尺寸广西
scale *= pyr_scale;
// 判断第k层图像行数与min_size关系，确定金字塔层数结束
if( prev0.cols*scale < min_size || prev0.rows*scale < min_size )
break;
}
// 将计算出的金字塔层数k赋给levels
levels = k;
// 遍历金字塔层数
for( k = levels; k >= 0; k-- )
{
// 计算原图与k-1层图像的尺寸关系
for( i = 0, scale = 1; i < k; i++ )
scale *= pyr_scale;
// 定义高斯滤波系数
double sigma = (1./scale-1)*0.5;
int smooth_sz = cvRound(sigma*5)|1;
// 得到高斯滤波器模板大小
smooth_sz = std::max(smooth_sz, 3);
// 计算第k层图像矩阵的列数
int width = cvRound(prev0.cols*scale);
// 计算第k层图像矩阵的行数
int height = cvRound(prev0.rows*scale);
if( k > 0 )
// 创建第k层图像尺寸大小的32位双通道图像，用于存储第k层图像光流flow
flow.create( height, width, CV_32FC2 );
else
// 否则为原图像
flow = flow0;
// 如果preFlow未指向任何矩阵数据
if( prevFlow.empty() )
{
// 如果flags为OPTFLOW_USE_INITIAL_FLOW
if( flags & OPTFLOW_USE_INITIAL_FLOW )
{
// 改变flow0图像大小为flow，用像素关系重采样插值
// 插值使用錓NTER_AREA，主要是为了避免波纹出现
resize( flow0, flow, Size(width, height), 0, 0, INTER_AREA );
// 将flow缩小scale
flow *= scale;
}
// flags为OPTFLOW_FARNEBACK_GAUSSIAN
else
// 创建一个Mat给flow
flow = Mat::zeros( height, width, CV_32FC2 );
}
else
{
// 改变prevFlow图像大小为flow，利用INTER_LINEAR方式进行双线性插值
resize( prevFlow, flow, Size(width, height), 0, 0, INTER_LINEAR );
// 将flow增加(1./pyr_sacle)倍
flow *= 1./pyr_scale;
}
Mat R[2], I, M;
for( i = 0; i < 2; i++ )
{
// 将img[i]转换为CV_32F格式
img[i]->convertTo(fimg, CV_32F);
// 对输出图像fimg进行高斯滤波后用fimg输出
GaussianBlur(fimg, fimg, Size(smooth_sz, smooth_sz), sigma, sigma);
// 改变fimg图像大小I,使用双线性插值INTER_LINEAR
resize( fimg, I, Size(width, height), INTER_LINEAR );
// 计算邻域图像R[i]
FarnebackPolyExp( I, R[i], poly_n, poly_sigma );
}
// 依据R[0]、R[1]、flow等信息更新矩阵M
FarnebackUpdateMatrices( R[0], R[1], flow, M, 0, flow.rows );
for( i = 0; i < iterations; i++ )
{
// flags为OPTFLOW_FARNEBACK_GAUSSIAN
if( flags & OPTFLOW_FARNEBACK_GAUSSIAN )
// 利用R[0]、R[1]、M等，利用高斯平滑原理，更新光流flow
FarnebackUpdateFlow_GaussianBlur( R[0], R[1], flow, M, winsize, i < iterations - 1 );
// flags为OPTFLOW_USE_INITIAL_FLOW
else
// 利用R[0]、R[1]、M等初始化光流flow
FarnebackUpdateFlow_Blur( R[0], R[1], flow, M, winsize, i < iterations - 1 );
}
// 将flow赋给prevFlow
prevFlow = flow;
}
}