跳转到内容

卢卡斯-卡纳德方法

维基百科,自由的百科全书

计算机视觉中,卢卡斯-卡纳德方法是一种广泛使用的光流估计的差分方法,这个方法是由Bruce D. LucasTakeo Kanade发明的。它假设光流在像素点的邻域是一个常数,然后使用最小平方法对邻域中的所有像素点求解基本的光流方程。[1] [2]

通过结合几个邻近像素点的信息,卢卡斯-卡纳德方法(简称为L-K方法)通常能够消除光流方程里的多义性。而且,与逐点计算的方法相比,L-K方法对图像噪声不敏感。不过,由于这是一种局部方法,所以在图像的均匀区域内部,L-K方法无法提供光流信息。

基本原理

[编辑]

L-K方法假设两个相邻帧的图像内容位移很小,且位移在所研究点p的邻域内为大致为常数。所以,可以假设光流方程 在以p点为中心的窗口内对所有的像素都成立。也就是说,局部图像流(速度)向量须满足:

其中, 是窗口中的像素,是图像在点和当前时间对位置xy和时间t的偏导。

这些等式可以写成矩阵的形式,此处

此方程组的等式个数多于未知数个数,所以它通常是over-determined的。L-K方法使用最小平方法获得一个近似解,即计算一个2x2的方程组:

其中,是矩阵转置。即计算:

i=1 到 n求和。

矩阵通常被称作图像在点p结构张量

参考文献

[编辑]
  1. ^ B. D. Lucas and T. Kanade (1981), An iterative image registration technique with an application to stereo vision.页面存档备份,存于互联网档案馆 Proceedings of Imaging Understanding Workshop, pages 121--130
  2. ^ Bruce D. Lucas (1984) Generalized Image Matching by the Method of Differences页面存档备份,存于互联网档案馆 (doctoral dissertation)

外部链接

[编辑]