opticalFlowLKDoG

Объект для оценки оптического потока по производной Лукаса-Канаде гауссова метода

Описание

Создайте объект оптического потока для оценки направления и скорости движения объектов с помощью метода Лукаса-Канаде, производного от гауссова (DoG). Использовать функцию объекта estimateFlow для оценки векторов оптического потока. Использование reset функция объекта позволяет сбросить внутреннее состояние объекта оптического потока.

Создание

Синтаксис

opticFlow = opticalFlowLKDoG

opticFlow = opticalFlowLKDoG (Имя, Стоимость)

Описание

opticFlow = opticalFlowLKDoG возвращает объект оптического потока, который можно использовать для оценки направления и скорости движущихся объектов в видео. Оптический поток оценивается с использованием производной Лукаса-Канаде гауссова (DoG) метода.

пример

opticFlow = opticalFlowLKDoG(Name,Value) возвращает объект оптического потока со свойствами, указанными как один или несколько Name,Value аргументы пары. Все неопределенные свойства имеют значения по умолчанию. Заключите каждое имя свойства в кавычки.

Например, opticalFlowLKDoG('NumFrames',3)

Свойства

развернуть все

`NumFrames` - Количество буферизированных кадров
`3` (по умолчанию) | положительный скаляр с целочисленным значением

Число буферизированных кадров для временного сглаживания, указанное как скаляр с положительным целочисленным значением. По мере увеличения этого числа метод оптической оценки потока становится менее устойчивым к резким изменениям траектории движущихся объектов. Величина задержки в оценке расхода зависит от величины NumFrames. Выходному потоку соответствует изображение при _tflow = _tcturch − 0.5 (NumFrames-1), где _tcturch - время текущего изображения.

`ImageFilterSigma` - Стандартное отклонение для фильтра сглаживания изображения
`1.5` | положительный скаляр

Стандартное отклонение для фильтра сглаживания изображения, заданное как положительный скаляр.

`GradientFilterSigma` - Стандартное отклонение для фильтра сглаживания градиента
`1` | положительный скаляр

Стандартное отклонение для фильтра сглаживания градиента, заданное как положительный скаляр.

`NoiseThreshold` - Пороговое значение для снижения шума
`0.0039` (по умолчанию) | положительный скаляр

Порог снижения шума, заданный как положительный скаляр. При увеличении этого числа перемещение объектов оказывает меньшее влияние на расчет оптического потока.

Функции объекта

`estimateFlow`	Оценка оптического потока
`reset`	Сброс внутреннего состояния объекта оптической оценки потока

Примеры

свернуть все

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Открыть сценарий в реальном времени

Прочитайте видеофайл. Укажите метку времени считываемого кадра.

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

Создайте объект оптического потока для оценки оптического потока с помощью метода Lucas-Kanade DoG. Укажите пороговое значение для уменьшения шума. Выходной сигнал представляет собой объект оптического потока, определяющий способ оценки оптического потока и его свойства.

opticFlow = opticalFlowLKDoG('NoiseThreshold',0.0005)

opticFlow = 
  opticalFlowLKDoG with properties:

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

Создайте пользовательское окно рисунка для визуализации векторов оптического потока.

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

Считывайте кадры изображения и преобразуйте их в изображения в оттенках серого. Оцените оптический поток по последовательным кадрам изображения. Отображение текущего кадра изображения и построение графика векторов оптического потока в виде графика quiver.

while hasFrame(vidReader)
    frameRGB = readFrame(vidReader);
    frameGray = im2gray(frameRGB);
    flow = estimateFlow(opticFlow,frameGray);
    imshow(frameRGB)
    hold on
    plot(flow,'DecimationFactor',[5 5],'ScaleFactor',35,'Parent',hPlot);
    hold off
    pause(10^-3)
end

Figure contains an axes and an object of type uipanel. The axes contains 2 objects of type image, quiver.

Алгоритмы

развернуть все

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

$_{} Ixu +_{} {Iyv}_{} +$ Это = 0

$_{Ix}$ , $_{Iy}$ и $_{это}$ пространственно-временные производные яркости изображения.
u - горизонтальный оптический поток.
v - вертикальный оптический поток.

Производное Лукаса-Канаде гауссовского метода

Метод Лукаса-Канаде вычисляет $_{его}$ с помощью производной гауссова фильтра.

Для решения уравнения ограничения оптического потока для u и v:

Вычислите $_{Ix}$ и $_{Iy}$ с помощью следующих шагов.
1. Используйте фильтр Гаусса для выполнения временной фильтрации. Укажите временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра, используя NumFrames собственность.
2. Используйте фильтр Гаусса и производную фильтра Гаусса для сглаживания изображения с помощью пространственной фильтрации. Укажите стандартное отклонение и длину фильтра сглаживания изображения с помощью ImageFilterSigma собственность.
Вычислить $_{его}$ между изображениями 1 и 2 с помощью следующих шагов:
1. Используйте производную гауссова фильтра для выполнения временной фильтрации. Укажите временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра, используя NumFrames собственность.
2. Используйте фильтр, описанный на этапе 1b, для выполнения пространственной фильтрации на выходе временного фильтра.
Сглаживайте компоненты градиента Ix, $_{}$ $_{Iy}$ и $_{It}$ с помощью фильтра сглаживания градиента. Используйте GradientFilterSigma для указания стандартного отклонения и количества коэффициентов фильтра для фильтра сглаживания градиента.
Решите линейные уравнения 2 на 2 для каждого пикселя, используя следующий метод:
- Если $\begin{matrix} \end{matrix} \begin{matrix} ^{}_{}^{} & ^{}_{}_{} \\ ^{}_{}_{} & ^{}_{}^{A=[abbc]=[∑W2Ix2∑W2IxIy∑W2IyIx∑W2Iy2} \end{matrix}]$
  Тогда собственные значения A равны $_{λ i} \frac{= a}{} + \frac{\sqrt{^{c2} {\pm 4b2}^{}}}{+} (a -$ c) 22; i = 1,2
- Когда алгоритм находит собственные значения, он сравнивает их с пороговым значением NoiseThreshold собственность. Результаты относятся к одному из следующих случаев:
  Случай 1: $_{} λ1≥τ$ и $_{} λ2≥τ$
  A не является синзингулярным, поэтому алгоритм решает систему уравнений, используя правило Крамера.
  Случай 2: $_{} λ1≥τ$ и $_{λ 2} <$
  A является сингулярным (неинвертируемым), поэтому алгоритм нормализует градиентный поток для вычисления u и v.
  Регистр 3: $_{λ 1} <$ $_{}$
  Оптический поток u и v равен 0.

Ссылки

[1] Бэррон, Дж. Л., Д. Дж. Флит, С. С. Боухемин и Т. А. Буркитт. «Выполнение методов оптического потока». В материалах Конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), 236-242. Шампейн, IL: CVPR, 1992.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

opticalFlow | opticalFlowFarneback | opticalFlowHS | opticalFlowLK | quiver

Представлен в R2015a

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

`NumFrames` - Количество буферизированных кадров
`3` (по умолчанию) | положительный скаляр с целочисленным значением

`ImageFilterSigma` - Стандартное отклонение для фильтра сглаживания изображения
`1.5` | положительный скаляр

`GradientFilterSigma` - Стандартное отклонение для фильтра сглаживания градиента
`1` | положительный скаляр

`NoiseThreshold` - Пороговое значение для снижения шума
`0.0039` (по умолчанию) | положительный скаляр

Функции объекта

Примеры

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Алгоритмы

Производное Лукаса-Канаде гауссовского метода

Ссылки

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Документация по инструментарию компьютерного зрения

Поддержка

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

NumFrames - Количество буферизированных кадров 3 (по умолчанию) | положительный скаляр с целочисленным значением

ImageFilterSigma - Стандартное отклонение для фильтра сглаживания изображения 1.5 | положительный скаляр

GradientFilterSigma - Стандартное отклонение для фильтра сглаживания градиента 1 | положительный скаляр

NoiseThreshold - Пороговое значение для снижения шума 0.0039 (по умолчанию) | положительный скаляр

Функции объекта

Примеры

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Алгоритмы

Производное Лукаса-Канаде гауссовского метода

Ссылки

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Документация по инструментарию компьютерного зрения

Поддержка

`NumFrames` - Количество буферизированных кадров
`3` (по умолчанию) | положительный скаляр с целочисленным значением

`ImageFilterSigma` - Стандартное отклонение для фильтра сглаживания изображения
`1.5` | положительный скаляр

`GradientFilterSigma` - Стандартное отклонение для фильтра сглаживания градиента
`1` | положительный скаляр

`NoiseThreshold` - Пороговое значение для снижения шума
`0.0039` (по умолчанию) | положительный скаляр

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™