我目前正在研究对象跟踪项目，并且使用过c++，opencv。我成功地使用了Farneback密集光流来实现诸如k均值的分割方法(使用每帧中的位移)。现在我想用Lucas Kanade稀疏方法做同样的事情。但是此函数的输出为:
nextPts –二维点的输出 vector (具有单精度浮点坐标)，包含计算出的第二个图像中输入要素的新位置；传递OPTFLOW_USE_INITIAL_FLOW标志时， vector 的大小必须与输入中的大小相同。
(如官方网站所述)
我的问题是，例如我如何将结果获取到Mat流。到目前为止，我已经尝试过:
//实现Lucas Kanade算法
cvCalcOpticalFlowPyrLK(frame1_1C, frame2_1C, pyramid1, pyramid2,
frame1_features, frame2_features, number_of_features,
optical_flow_window, 5, optical_flow_found_feature,
optical_flow_feature_error, optical_flow_termination_criteria,
0);
// Calculate each feature point's coordinates in every frame
CvPoint p,q;
p.x = (int) frame1_features[i].x;
p.y = (int) frame1_features[i].y;
q.x = (int) frame2_features[i].x;
q.y = (int) frame2_features[i].y;
// Creating the arrows for imshow
angle = atan2((double) p.y - q.y, (double) p.x - q.x);
hypotenuse = sqrt(square(p.y - q.y) + square(p.x - q.x));
/* Here we lengthen the arrow by a factor of three. */
q.x = (int) (p.x - 3 * hypotenuse * cos(angle));
q.y = (int) (p.y - 3 * hypotenuse * sin(angle));
cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);
p.x = (int) (q.x + 9 * cos(angle + pi / 4));
p.y = (int) (q.y + 9 * sin(angle + pi / 4));
cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);
p.x = (int) (q.x + 9 * cos(angle - pi / 4));
p.y = (int) (q.y + 9 * sin(angle - pi / 4));
cvLine(frame1, p, q, line_color, line_thickness, CV_AA, 0);
allocateOnDemand(&framenew, frame_size, IPL_DEPTH_8U, 3);
cvConvertImage(frame1, framenew, CV_CVTIMG_FLIP);
cvShowImage("Optical Flow", framenew);
这是光流演示。有什么想法我应该如何获得类似于Farneback光流结果的Mat流？
(http://docs.opencv.org/2.4/modules/video/doc/motion_analysis_and_object_tracking.html#calcopticalflowfarneback)
更新:很好的答案。但是现在我在显示kmeans图像时遇到了问题。与Farneback一起使用:
cv::kmeans(m, K, bestLabels,
TermCriteria( CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 1.0),
3, KMEANS_PP_CENTERS, centers);
int colors[K];
for (int i = 0; i < K; i++) {
colors[i] = 255 / (i + 1);
}
namedWindow("Kmeans", WINDOW_NORMAL);
Mat clustered = Mat(flow.rows, flow.cols, CV_32F);
for (int i = 0; i < flow.cols * flow.rows; i++) {
clustered.at<float>(i / flow.cols, i % flow.cols) =
(float) (colors[bestLabels.at<int>(0, i)]);
}
clustered.convertTo(clustered, CV_8U);
imshow("Kmeans", clustered);
有任何想法吗 ？ ？
最佳答案
要获得类似Farneback算法的图像，您必须首先了解输出是什么。
在OpenCV文档中，您具有:prev(y,x) ~ next(y + flow(y,x)[1], x +flow(y,x)[0])
因此，它是一个在图像1和2之间具有位移的矩阵。假设您要计算的点将没有移动0,0；您可以对此进行模拟，只需为具有新位置(x,y)的每个点(x', y')放置:
cv::Mat LKFlowMatrix(img.rows, img.cols, CV_32FC2, cv::Scalar(0,0));
LKFlowMatrix.at<cv::Vec2f>(y,x) = cv::Vec2f(x-x', y-y') ;
另外，不要忘记过滤状态为0的“未找到的点”
顺便说一句，您的函数不是它的opencv c++版本:
cvCalcOpticalFlowPyrLK应该是C++中的cv::calcOpticalFlowFarnebackcvShowImage应该是C++中的cv::imshow等等**更新**
由于您需要的是kmeans的输入(我想这是OpenCV版本)，并且您只想使用稀疏点，因此您可以执行以下操作:
cv::Mat prevImg, nextImg;
// load your images
std::vector<cv:Point2f> initial_points, new_points;
// fill the initial points vector
std::vector<uchar> status;
std::vector<float> error;
cv::calcOpticalFlowPyrLK(prevImage, nextImage, initial_points, new_points, status, errors);
std::vector<cv::Vec2f> vectorForKMeans;
for(size_t t = 0; t < status.size(); t++){
if(status[t] != 0)
vectorForKmeans.push_back(cv::Vec2f(initial_points[i] - new_points[i]));
}
// Do kmeans to vectorForKMeans