【计算机视觉】Lecture 23：流估计

流估计

主要概念：

1. 亮度恒定方程

2. 孔径问题

3. Lucas-Kanade算法

回顾：由于自身运动产生的场

流（Flow）：

旋转分量不依赖于场景结构。平移分量随场景 Z 值的变化而变化。也就是说，它显示出运动视差（parallax）。

特例：纯平移

为了更好地理解流场是什么样子，让我们只考虑纯平移运动的情况。

然后，在场景中通过平行速度矢量的投影形成流

特例1：纯平移

假设 Tz 不等于 0

定义：

假如 Tz = 0 则

所有运动场矢量彼此平行，并且与深度成反比！（与简单的立体视觉联系起来）

此情况下的运动场是径向的：

1. 它由通过 po=（xo，yo）的向量组成
2. 假如：
   1）Tz > 0 (相机向物体移动)
   向量远离po
   po是扩展点 POINT OF EXPANSION
   2）Tz < 0 (相机远离物体)
   向量指向po
   po是收缩点 POINT OF CONTRACTION

纯旋转：运动场的性质

假如 Tz 不等于0，则运动场是径向的，所有向量都指向（或远离）单个点po。如果Tz＝0，则运动场是平行的。

运动场向量的长度与深度Z成反比。如果Tz≠0，它也与p和po之间的距离成正比

po是平移方向的灭点（vanishing point）

po是平行于平移向量的光线与图像平面的交点

运动场Motion Field和光流Optic Flow

运动场：三维相对速度矢量在二维图像平面上的投影

光流：在图像中观察到的亮度模式（brightness patterns）的二维位移

运动场是我们想知道的。
光流是我们可以估计的。

注意：光流不等于运动场

考虑一个移动的光源：

MF=0，因为场景中的点没有移动

OF不等于0，因为图像中存在移动模式

用OF近似MF