opticalFlowLKDoG

Объект для оценки оптического потока с использованием производной Лукаса-Канаде Гауссова метода

Описание

Создайте объект оптического потока для оценки направления и скорости движущихся объектов с помощью производной Лукаса-Канаде Гауссова (DoG) метода. Используйте функцию объекта estimateFlow для оценки векторов оптического потока. Использование reset object function, можно сбросить внутреннее состояние объекта оптического потока.

Создание

Синтаксис

opticFlow = opticalFlowLKDoG

opticFlow = opticalFlowLKDoG(Name,Value)

Описание

opticFlow = opticalFlowLKDoG возвращает объект оптического потока, который можно использовать, чтобы оценить направление и скорость движущихся объектов в видео. Оптический поток оценивается с помощью производной Лукаса-Канаде Гауссова (DoG) метода.

пример

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

Для примера, opticalFlowLKDoG('NumFrames',3)

Свойства

расширить все

`NumFrames` - Количество буферизованных систем координат
`3` (по умолчанию) | положительный скаляр с целым числом

Количество буферизованных систем координат для временного сглаживания, заданное как положительный целочисленный скаляр. Когда вы увеличиваете это количество, метод оптической оценки оптического потока становится менее устойчивым к резким изменениям в траектории движущихся объектов. Величина задержки в оценке 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, заданное как положительная скалярная величина.

`GradientFilterSigma` - Стандартное отклонение для градиентного сглаживающего фильтра
`1` | положительная скалярная величина

Стандартное отклонение для градиентного сглаживающего фильтра, заданное как положительная скалярная величина.

`NoiseThreshold` - Порог для снижения шума
`0.0039` (по умолчанию) | положительная скалярная величина

Пороговое значение для снижения шума, заданное как положительная скалярная величина. Когда вы увеличиваете это количество, движение объектов меньше влияет на вычисление оптического потока.

Функции объекта

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

Примеры

свернуть все

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Открыть Live Script

Прочитайте видео файла. Укажите временную метку системы координат.

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

Создайте объект оптического потока для оценки оптического потока с помощью метода Lucas-Kanade DoG. Задайте порог для снижения шума. Выходы являются объектом оптического потока, задающим метод оптической оценки 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, 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 системы координат изображения и преобразуйте в полутоновые изображения. Оцените оптический поток из последовательных систем координат изображения. Отобразите текущую систему координат изображения и постройте график векторов оптического потока как график полей градиента.

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

расширить все

Чтобы вычислить оптический поток между двумя изображениями, вы должны решить это оптическое уравнение ограничения потока:

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

$I_{x}$ , $I_{y}$ , и $I_{t}$ являются производными яркости пространственно-временных изображений.
u - горизонтальный оптический поток.
v - вертикальный оптический поток.

Производная Лукаса-Канаде Гауссова метода

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

Чтобы решить оптический поток уравнение ограничений для u и v:

Вычислить $I_{x}$ и $I_{y}$ используя следующие шаги:
1. Используйте Гауссов фильтр, чтобы выполнить временную фильтрацию. Задайте временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра, используя NumFrames свойство.
2. Используйте Гауссов фильтр и производную Гауссов фильтр, чтобы сглаживать изображение с помощью пространственной фильтрации. Задайте стандартное отклонение и длину фильтра сглаживания изображения с помощью ImageFilterSigma свойство.
Вычислить $I_{t}$ между изображениями 1 и 2 с помощью следующих шагов:
1. Используйте производную Гауссова фильтра для выполнения временной фильтрации. Задайте временные характеристики фильтра, такие как стандартное отклонение и количество коэффициентов фильтра, используя NumFrames свойство.
2. Используйте фильтр, описанный на шаге 1b, чтобы выполнить пространственную фильтрацию на выходе временного фильтра.
Сглаживайте компоненты градиента, $I_{x}$ , $I_{y}$ , и $I_{t}$ , с использованием градиентного фильтра сглаживания. Используйте GradientFilterSigma свойство для задания стандартного отклонения и количества коэффициентов фильтра для фильтра сглаживания градиента.
Решить линейные уравнения 2 на 2 для каждого пикселя используя следующий метод:
- Если $A = [\begin{matrix} a & b \\ b & c \end{matrix}] = [\begin{matrix} \sum W^{2} I_{x}^{2} & \sum W^{2} I_{x} I_{y} \\ \sum W^{2} I_{y} I_{x} & \sum W^{2} I_{y}^{2} \end{matrix}]$
  Тогда 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, $τ$ , что соответствует значению, которое вы вводите для NoiseThreshold свойство. Результаты попадают в один из следующих случаев:
  Дело 1: $λ_{1} \geq τ$ и $λ_{2} \geq τ$
  A несингулярна, поэтому алгоритм решает систему уравнений, используя правило Крамера.
  Дело 2: $λ_{1} \geq τ$ и $λ_{2} < τ$
  A сингулярна (неинвертируема), поэтому алгоритм нормализует градиентный поток, чтобы вычислить u и v.
  Дело 3: $λ_{1} < τ$ и $λ_{2} < τ$
  Оптический поток u и v равен 0.

Ссылки

[1] Barron, J. L., D. J. Fleet, S. S. Боушемин, и Т. А. Буркитт. «Эффективность технологий оптического потока». В работе Конференции IEEE по компьютерному зрению и распознаванию шаблона (CVPR), 236-242. Champaign, IL: CVPR, 1992.

Расширенные возможности

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

См. также

opticalFlow | opticalFlowFarneback | opticalFlowHS | opticalFlowLK | quiver

Введенный в R2015a

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

`NumFrames` - Количество буферизованных систем координат
`3` (по умолчанию) | положительный скаляр с целым числом

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

`GradientFilterSigma` - Стандартное отклонение для градиентного сглаживающего фильтра
`1` | положительная скалярная величина

`NoiseThreshold` - Порог для снижения шума
`0.0039` (по умолчанию) | положительная скалярная величина

Функции объекта

Примеры

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Алгоритмы

Производная Лукаса-Канаде Гауссова метода

Ссылки

Расширенные возможности

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

См. также

Документация по Computer Vision Toolbox

Поддержка

Документация

opticalFlowLKDoG

Описание

Создание

Синтаксис

Описание

Свойства

NumFrames - Количество буферизованных систем координат 3 (по умолчанию) | положительный скаляр с целым числом

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

GradientFilterSigma - Стандартное отклонение для градиентного сглаживающего фильтра 1 | положительная скалярная величина

NoiseThreshold - Порог для снижения шума 0.0039 (по умолчанию) | положительная скалярная величина

Функции объекта

Примеры

Вычисление оптического потока с использованием метода Lucas-Kanade DoG

Алгоритмы

Производная Лукаса-Канаде Гауссова метода

Ссылки

Расширенные возможности

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

См. также

Документация по Computer Vision Toolbox

Поддержка

`NumFrames` - Количество буферизованных систем координат
`3` (по умолчанию) | положительный скаляр с целым числом

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

`GradientFilterSigma` - Стандартное отклонение для градиентного сглаживающего фильтра
`1` | положительная скалярная величина

`NoiseThreshold` - Порог для снижения шума
`0.0039` (по умолчанию) | положительная скалярная величина

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