opticalFlowLKDoG

Объект для оценки оптического потока с помощью производной Лукаса-Кэнэйда Гауссова метода

Описание

Создайте объект оптического потока для оценки направления и скорости перемещения объектов с помощью метода производной гауссовых (DoG) Лукаса-Кэнэйда. Используйте объектный функциональный estimateFlow, чтобы оценить векторы оптического потока. Используя функцию объекта reset, можно сбросить внутреннее состояние объекта оптического потока.

Создание

Синтаксис

opticFlow = opticalFlowLKDoG

opticFlow = opticalFlowLKDoG(Name,Value)

Описание

opticFlow = opticalFlowLKDoG возвращается оптический поток возражают, что можно использовать, чтобы оценить направление и скорость движущихся объектов в видео. Оптический поток оценивается с помощью метода производной гауссовых (DoG) Лукаса-Кэнэйда.

пример

opticFlow = opticalFlowLKDoG(Name,Value) возвращает объект оптического потока со свойствами, заданными в качестве одного или нескольких аргументов пары Name,Value. Любые незаданные свойства имеют значения по умолчанию. Заключите каждое имя свойства в кавычки.

Например, opticalFlowLKDoG('NumFrames',3)

Свойства

развернуть все

`NumFrames` — Количество буферизированных кадров
`3` (значение по умолчанию) | положительный скаляр с целочисленным знаком

Количество буферизированных кадров для временного сглаживания, заданного как положительный скаляр с целочисленным знаком. Когда вы увеличиваете это число, метод оценки оптического потока становится менее устойчивым к резким изменениям в траектории движущихся объектов. Сумма задержки оценки потока зависит от значения NumFrames. Выходной поток соответствует изображению в _tflow = _tcurrent − 0.5 (NumFrames-1), где _tcurrent является временем текущего изображения.

`ImageFilterSigma` — Стандартное отклонение для фильтра сглаживания изображений
`1.5` | положительная скалярная величина

Стандартное отклонение для фильтра сглаживания изображений, заданного как положительная скалярная величина.

`GradientFilterSigma` — Стандартное отклонение для фильтра сглаживания градиента
`1` | положительная скалярная величина

Стандартное отклонение для фильтра сглаживания градиента, заданного как положительная скалярная величина.

`NoiseThreshold` — Порог для шумоподавления
`0.0039` (значение по умолчанию) | положительная скалярная величина

Порог для шумоподавления, заданного как положительная скалярная величина. Когда вы увеличиваете это число, перемещение объектов оказывает меньше влияния на вычисление оптического потока.

Функции объекта

`estimateFlow`	Оцените оптический поток
`reset`	Сбросьте внутреннее состояние объекта оценки оптического потока

Примеры

свернуть все

Вычислите оптический поток Используя Лукаса-Кэнэйда метод DoG

Скрипт Open Live Script

Считайте видеофайл. Задайте метку времени кадра, который будет считан.

vidReader = VideoReader('visiontraffic.avi','CurrentTime',11);

Создайте объект оптического потока для оценки оптического потока с помощью Лукаса-Кэнэйда метод DoG. Задайте порог для шумоподавления. Вывод является объектом оптического потока определение метода оценки оптического потока и его свойств.

opticFlow = opticalFlowLKDoG('NoiseThreshold',0.0005)

opticFlow = 
  opticalFlowLKDoG with properties:

              NumFrames: 3
       ImageFilterSigma: 1.5000
    GradientFilterSigma: 1
         NoiseThreshold: 5.0000e-04

Создайте пользовательское окно рисунка, чтобы визуализировать векторы оптического потока.

h = figure;
movegui(h);
hViewPanel = uipanel(h,'Position',[0 0 1 1],'Title','Plot of Optical Flow Vectors');
hPlot = axes(hViewPanel);

Считайте фреймы изображения и преобразуйте в полутоновые изображения. Оцените оптический поток от последовательных фреймов изображения. Отобразите кадр текущего изображения и постройте векторы оптического потока как график полей градиента.

while hasFrame(vidReader)
    frameRGB = readFrame(vidReader);
    frameGray = rgb2gray(frameRGB);
    flow = estimateFlow(opticFlow,frameGray);
    imshow(frameRGB)
    hold on
    plot(flow,'DecimationFactor',[5 5],'ScaleFactor',35,'Parent',hPlot);
    hold off
    pause(10^-3)
end

Алгоритмы

развернуть все

Чтобы вычислить оптический поток между двумя изображениями, необходимо решить следующее уравнение ограничений оптического потока:

$I_{x} u + I_{y} v + I_{t} = 0$

$I_{x}$ , $I_{y}$ , и $I_{t}$ пространственно-временные производные яркости изображения.
u является горизонтальным оптическим потоком.
v является вертикальным оптическим потоком.

Производная Лукаса-Кэнэйда гауссова метода

Метод Лукаса-Кэнэйда вычисляет $I_{t}$ использование производной Гауссова фильтра.

Решить уравнение ограничений оптического потока для u и v:

Вычислить $I_{x}$ и $I_{y}$ использование следующих шагов:
1. Используйте Гауссов фильтр, чтобы выполнить временную фильтрацию. Задайте временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра с помощью свойства NumFrames.
2. Используйте Гауссов фильтр и производную Гауссова фильтра, чтобы сглаживать изображение с помощью пространственной фильтрации. Задайте стандартное отклонение и длину изображения, сглаживающего фильтр с помощью свойства ImageFilterSigma.
Вычислить $I_{t}$ между изображениями 1 и 2 использования следующих шагов:
1. Используйте производную Гауссова фильтра, чтобы выполнить временную фильтрацию. Задайте временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра с помощью свойства NumFrames.
2. Используйте фильтр, описанный на шаге 1b, чтобы выполнить пространственную фильтрацию на выводе временного фильтра.
Сглаживайте компоненты градиента, $I_{x}$ , $I_{y}$ , и $I_{t}$ , использование фильтра сглаживания градиента. Используйте свойство GradientFilterSigma задать стандартное отклонение и количество коэффициентов фильтра для фильтра сглаживания градиента.
Решите линейные уравнения 2 на 2 для каждого пикселя с помощью следующего метода:
- Если $A = [\begin{matrix} a & b \\ b & c \end{matrix}] = [\begin{matrix} \sum W^{2} I_{x}^{2} & \sum W^{2} I_{x} I_{y} \\ \sum W^{2} I_{y} I_{x} & \sum W^{2} I_{y}^{2} \end{matrix}]$
  Затем собственные значения A $λ_{i} = \frac{a + c}{2} \pm \frac{\sqrt{4 b^{2} + {(a - c)}^{2}}}{2}; i = 1, 2$
- Когда алгоритм находит собственные значения, он сравнивает их с порогом, $τ$ , это соответствует значению, вы вводите для свойства NoiseThreshold. Результаты попадают в один из следующих случаев:
  Случай 1: $λ_{1} \geq τ$ и $λ_{2} \geq τ$
  A несингулярен, таким образом, алгоритм решает систему уравнений с помощью Правила Крамера.
  Случай 2: $λ_{1} \geq τ$ и $λ_{2} < τ$
  A сингулярен (необратимый), таким образом, алгоритм нормирует поток градиента, чтобы вычислить u и против.
  Случай 3: $λ_{1} < τ$ и $λ_{2} < τ$
  Оптический поток, u и v, 0.

Ссылки

[1] Баррон, J. L. Д. Дж. Флит, С. С. Беокемин и Т. А. Беркитт. “Производительность методов оптического потока”. В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), 236-242. Равнина, IL: CVPR, 1992.

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

`NumFrames` — Количество буферизированных кадров
`3` (значение по умолчанию) | положительный скаляр с целочисленным знаком

`ImageFilterSigma` — Стандартное отклонение для фильтра сглаживания изображений
`1.5` | положительная скалярная величина

`GradientFilterSigma` — Стандартное отклонение для фильтра сглаживания градиента
`1` | положительная скалярная величина

`NoiseThreshold` — Порог для шумоподавления
`0.0039` (значение по умолчанию) | положительная скалярная величина

Функции объекта

Примеры

Вычислите оптический поток Используя Лукаса-Кэнэйда метод DoG

Алгоритмы

Производная Лукаса-Кэнэйда гауссова метода

Ссылки

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Представленный в R2015a

Документация Computer Vision Toolbox

Поддержка

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

NumFrames — Количество буферизированных кадров 3 (значение по умолчанию) | положительный скаляр с целочисленным знаком

ImageFilterSigma — Стандартное отклонение для фильтра сглаживания изображений 1.5 | положительная скалярная величина

GradientFilterSigma — Стандартное отклонение для фильтра сглаживания градиента 1 | положительная скалярная величина

NoiseThreshold — Порог для шумоподавления 0.0039 (значение по умолчанию) | положительная скалярная величина

Функции объекта

Примеры

Вычислите оптический поток Используя Лукаса-Кэнэйда метод DoG

Алгоритмы

Производная Лукаса-Кэнэйда гауссова метода

Ссылки

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Представленный в R2015a

Документация Computer Vision Toolbox

Поддержка

`NumFrames` — Количество буферизированных кадров
`3` (значение по умолчанию) | положительный скаляр с целочисленным знаком

`ImageFilterSigma` — Стандартное отклонение для фильтра сглаживания изображений
`1.5` | положительная скалярная величина

`GradientFilterSigma` — Стандартное отклонение для фильтра сглаживания градиента
`1` | положительная скалярная величина

`NoiseThreshold` — Порог для шумоподавления
`0.0039` (значение по умолчанию) | положительная скалярная величина

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.