ScholarGate
Pembantu
Machine learningMotion estimation

Lucas-Kanade Optical Flow Estimation

Aliran optik menjawab persoalan: 'Bagaimanakah piksel bergerak antara dua bingkai berturutan?' Kaedah Lucas-Kanade menganggap bahawa keamatan piksel kekal malar apabila ia bergerak (andaian ketekalan kecerahan), jadi jika piksel pada kedudukan (x, y) dengan keamatan I(x,y,t) bergerak ke kedudukan (x+u, y+v) dalam bingkai seterusnya, maka I(x+u, y+v, t+1) ≈ I(x,y,t). Dengan menganalisis perubahan keamatan setempat menggunakan pengembangan Taylor dan menyelesaikan untuk gerakan (u, v), kaedah ini menganggarkan medan aliran optik. Lucas-Kanade adalah 'jarang' kerana ia menganggarkan gerakan untuk sudut Harris dan titik minat lain berbanding setiap piksel.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiMuat turun slaid

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Peta kaedah

Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.

Sumber

  1. Lucas, B. D., & Kanade, T. (1981). An iterative image registration technique with an application to stereo vision. Proceedings of the Seventh International Joint Conference on Artificial Intelligence (IJCAI), 674–679. link
  2. Bouguet, J. Y. (2001). Pyramidal implementation of the Lucas Kanade feature tracker. OpenCV Documentation. link

Cara memetik halaman ini

ScholarGate. (2026, June 3). Lucas-Kanade Optical Flow Estimation. ScholarGate. https://scholargate.app/ms/computer-vision/optical-flow-lucas-kanade

Kaedah yang mana?

Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.

Bandingkan secara bersebelahan

Dirujuk oleh

ScholarGateLucas-Kanade Optical Flow (Lucas-Kanade Optical Flow Estimation). Dicapai 2026-06-15 daripada https://scholargate.app/ms/computer-vision/optical-flow-lucas-kanade · Set data: https://doi.org/10.5281/zenodo.20539026