1.概念说明

光流描述图像中像素点在相邻帧间的运动方向和速度，表现为二维矢量场。例如，相机移动或物体运动均会导致光流变化。

核心假设：

（1）亮度恒定：同一像素在不同帧中的亮度不变。也就是说，同一点随着时间的变化，其亮度不会发生改变。

（2）小运动：位移量较小，可用灰度变化近似偏导数。随着时间的变化不会引起位置的剧烈变化。只有小运动情况下才能用前后帧之间单位位置变化引起的灰度变化去近似灰度对位置的偏导数。

（3）空间一致：邻近像素运动相似，需联合多方程求解。一个场景上临近点投影到图像上也是临近点，而且临近点速度一致。因为光流法基本方程约束只有1个，而要求x、y方向的速度，有两个位置变量，所以要连立n个方程求解。

2.主要应用场景

目标跟踪：通过特征点光流轨迹追踪物体。

视频分析：用于动作识别、视频压缩等。

无人机/自动驾驶：实时避障与运动估计。

3.相关方法

传统方法1：稀疏光流（如Lucas-Kanade算法），基于局部窗口匹配特征点（如角点），计算效率高但仅覆盖部分像素。

传统方法2：稠密光流（如Farneback算法）：估计全图像素运动，精度更高但计算复杂。

深度学习方法：如FlowNet系列，通过卷积神经网络（CNN）端到端预测光流，适应大位移和复杂场景。

4.主要实现步骤

初始化：读取视频帧并转换为灰度图。

特征检测：使用goodFeaturesToTrack提取角点。

光流计算：调用calcOpticalFlowPyrLK（稀疏）或calcOpticalFlowFarneback（稠密）。

可视化：绘制运动轨迹或颜色编码光流场。