OpenCV案例——光流估计

一、项目概述

光流（Optical Flow）用于描述图像中像素随时间的运动矢量，Lucas-Kanade（LK）稀疏光流只跟踪图像中提取的角点特征，计算速度快，广泛用于视频目标跟踪、动作捕捉、运动检测等场景。 本文完整实现标准 LK 金字塔光流算法：

1. 使用goodFeaturesToTrack提取 Shi-Tomasi 优质角点作为跟踪特征；
2. 调用calcOpticalFlowPyrLK计算前后帧特征点运动轨迹；
3. 绘制跟踪轨迹，实时展示视频跟踪效果；
4. 支持 ESC 键退出，自动释放视频资源。

二、完整可运行代码

1.图像预处理，读取一个视频文件

2.定义特征点检测参数

最大角点数量(100):取前100个可能的角点

角点质量阈值(0.3):过滤掉低质量角点

最小距离(7):当两个角点数量小于7，则删除某一个角点

3.LK光流关参数设置

lk_params:定义金字塔 LK 光流calcOpticalFlowPyrLK的核心运算参数

4.每一帧的处理

(1)calcOpticalFlowPyrLK函数：calcOpticalFlowPyrLK(prevImg, nextImg, prevPts, nextPts, winSize=None, maxLevel=None)

prevImg：前一帧

nextImg：当前帧

prevPts：前一帧特征坐标

nextPts：当前帧特征坐标

winSize：每一层的匹配窗口

maxLevel：金字塔最大层数

返回值:

p1:在当前帧中估计出的特征点坐标 status: 一个与prevPts一样大小的状态向量，用于表示特征点是否被成功跟踪到。 err: 一个prevPts样大小的误差向量，用于表示估计误差

（2）

p0：上一帧所有提取到的角点坐标，形状为(N, x, y)，N是特征点总数，存储格式[[x,y]]。 代表前一帧原始待跟踪特征点。

p1：calcOpticalFlowPyrLK输出的、算法预测出的当前帧对应特征点坐标，维度和p0完全一致(N, x, y)。

st[i] = 1：第 i 个特征点跟踪成功，在当前帧匹配到了对应位置；

st[i] = 0：第 i 个特征点跟踪丢失（物体移出画面、模糊、遮挡、位移过大匹配失败）。

good_new = p1[st == 1]：保留当前帧匹配成功的点；

good_old = p0[st == 1]：同步保留上一帧对应的匹配点；

（3）

mask：三通道黑色画布，专门存放运动轨迹

（4）

把当前帧跟踪成功的点good_new赋值给p0，作为下一帧的初始跟踪特征点