目錄
前言
一、光流估計的核心原理
二、光流估計的計算流程
1. 特征提取：找到 “好跟蹤” 的點
2. 光流計算：匹配幀間特征點
三、完整實現步驟（附代碼）
1. 環境準備
2. 步驟 1：處理視頻第一幀
3. 步驟 2：提取第一幀的特征點（角點）
4. 步驟 3：創建軌跡掩膜與顏色
5. 步驟 4：配置光流計算參數
6. 步驟 5：主循環 —— 跟蹤特征點并繪制軌跡
7. 步驟 6：釋放資源
五、總結
前言
在計算機視覺領域，運動目標跟蹤是核心任務之一，而光流估計則是實現該任務的經典技術。它通過捕捉連續圖像幀間像素的運動向量，讓我們直觀地 “看到” 物體的運動軌跡。本文將從原理到代碼，手把手教你用 OpenCV 實現基于 Lucas-Kanade 金字塔光流的運動軌跡繪制，適合有基礎 OpenCV 知識的開發者進階學習。
一、光流估計的核心原理
光流估計并非憑空計算，其準確性依賴三個關鍵假設，這也是所有傳統光流算法的理論基石：
1.亮度恒定假設
同一物體的像素亮度在連續幀間保持不變。這意味著，物體運動是幀間像素變化的唯一原因，排除了光照突變、物體反光等干擾因素（實際應用中需盡量控制光照環境）。
2. 小運動假設
物體在相鄰兩幀間的位移極小，不會出現 “瞬移” 情況。只有滿足這一假設，才能通過像素灰度對位置的偏導數，近似計算像素的運動速度。
3. 空間一致性假設
場景中相鄰的像素點，投影到圖像平面后仍保持相鄰關系，且這些相鄰點屬于同一物體，運動方向和速度一致。這一假設避免了孤立像素的異常運動對整體軌跡的干擾。
二、光流估計的計算流程
要實現運動軌跡繪制，需先明確光流估計的核心步驟 ——特征提取與光流計算，二者相輔相成：
1. 特征提取：找到 “好跟蹤” 的點
光流計算無需跟蹤所有像素，只需聚焦于易識別、易匹配的特征點（如角點、邊緣）。這類點的灰度梯度大，在幀間變化中具有唯一性，跟蹤穩定性更高。
OpenCV 中常用cv2.goodFeaturesToTrack()函數提取角點，該函數能過濾低質量點、避免點過于密集，為后續光流計算提供可靠輸入。
2. 光流計算：匹配幀間特征點
拿到特征點后，需計算其在相鄰幀間的運動向量。常用算法包括：
- Lucas-Kanade 算法：稀疏光流算法，僅計算特征點的光流，速度快、適合實時場景；
- Horn-Schunck 算法：稠密光流算法，計算所有像素的光流，精度高但速度慢；
- 金字塔 Lucas-Kanade 算法：本文使用的優化版本，通過構建圖像金字塔，解決了 “大位移” 場景下的跟蹤失效問題，兼顧速度與精度（對應 OpenCV 函數
cv2.calcOpticalFlowPyrLK()）。
三、完整實現步驟（附代碼）
結合上述原理，運動軌跡繪制的整體邏輯為：讀取視頻→提取首幀特征點→創建軌跡掩膜→循環跟蹤特征點并繪制軌跡→顯示結果。下面分步驟拆解實現細節。
1. 環境準備
?
首先確保安裝 OpenCV 和 NumPy（若未安裝，執行以下命令）：
pip install opencv-python numpy2. 步驟 1：處理視頻第一幀
視頻跟蹤的起點是第一幀，需先讀取第一幀并轉換為灰度圖（光流計算僅需單通道，減少計算量）：
import cv2
import numpy as np# 1. 讀取視頻（替換為你的視頻路徑，支持avi/mp4格式）
cap = cv2.VideoCapture("test.avi") # 示例視頻路徑，需根據實際修改# 2. 讀取第一幀，判斷是否讀取成功
ret, old_frame = cap.read()
if not ret:print("視頻讀取失敗！請檢查文件路徑或視頻格式。")cap.release() # 釋放視頻資源exit()# 3. 將第一幀轉換為灰度圖（光流計算需灰度圖輸入）
old_gray = cv2.cvtColor(old_frame, cv2.COLOR_BGR2GRAY)3. 步驟 2：提取第一幀的特征點（角點）
使用cv2.goodFeaturesToTrack()提取高質量角點，參數需根據實際場景調整：
# 定義特征點檢測參數
feature_params = dict(maxCorners=100, # 最多提取100個角點（避免軌跡過多導致畫面雜亂）qualityLevel=0.3, # 角點質量閾值：僅保留質量≥最強角點質量×0.3的點minDistance=7 # 角點間最小歐氏距離：避免角點過于密集
)# 提取第一幀的角點（mask=None表示全圖檢測，無區域限制）
p0 = cv2.goodFeaturesToTrack(old_gray, mask=None, **feature_params)
# p0形狀：(-1, 1, 2)，即（角點數量，1，(x,y)坐標），例如(50,1,2)表示50個角點4. 步驟 3：創建軌跡掩膜與顏色
為了不破壞原始視頻幀，我們創建一個全零掩膜（與視頻幀尺寸相同），專門用于繪制軌跡；同時為每個特征點分配隨機顏色，便于區分不同軌跡：
# 創建與視頻幀尺寸、通道數相同的全零掩膜（初始為黑色，后續繪制彩色軌跡）
mask = np.zeros_like(old_frame)# 為每個特征點生成隨機RGB顏色（100個點×3通道，取值0-255）
color = np.random.randint(0, 255, (100, 3)) # 顏色數量與maxCorners一致5. 步驟 4：配置光流計算參數
使用cv2.calcOpticalFlowPyrLK()前，需定義其參數，控制跟蹤精度與速度：
# Lucas-Kanade金字塔光流參數
lk_params = dict(winSize=(15, 15), # 搜索窗口大小：窗口越大，跟蹤范圍越廣，但速度越慢maxLevel=2, # 金字塔最大層級：2表示使用原始圖+2層下采樣圖，解決大位移問題criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03)# 迭代終止條件：迭代10次或誤差小于0.03時停止，平衡精度與速度
)6. 步驟 5：主循環 —— 跟蹤特征點并繪制軌跡
這是核心環節：循環讀取每一幀，計算光流、篩選有效特征點、繪制軌跡，并更新 “上一幀” 數據用于下次計算。
while True:# 1. 讀取當前幀ret, frame = cap.read()if not ret: # 若讀取失敗（如視頻結束），退出循環break# 2. 將當前幀轉換為灰度圖frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 3. 計算光流：匹配上一幀特征點（p0）在當前幀的位置# p1：當前幀特征點坐標；st：跟蹤狀態（1=成功，0=失敗）；err：跟蹤誤差p1, st, err = cv2.calcOpticalFlowPyrLK(prevImg=old_gray, # 上一幀灰度圖nextImg=frame_gray, # 當前幀灰度圖prevPts=p0, # 上一幀特征點nextPts=None, # 輸出當前幀特征點（設為None自動分配）**lk_params # 光流參數)# 4. 篩選跟蹤成功的特征點（僅保留st=1的點）good_new = p1[st == 1] # 當前幀有效特征點good_old = p0[st == 1] # 上一幀對應有效特征點# 5. 繪制軌跡：在掩膜上連接“上一幀點”與“當前幀點”for i, (new, old) in enumerate(zip(good_new, good_old)):# 提取坐標并轉換為整數（像素坐標需為整數）x_new, y_new = new.ravel() # ravel()將數組展平為一維x_old, y_old = old.ravel()# 轉換為整數（避免繪圖時因浮點數報錯）x_new, y_new, x_old, y_old = map(int, [x_new, y_new, x_old, y_old])# 在掩膜上繪制線段：連接上一幀點與當前幀點mask = cv2.line(img=mask, # 繪制目標：掩膜pt1=(x_new, y_new),# 當前幀點pt2=(x_old, y_old),# 上一幀點color=color[i].tolist(), # 軌跡顏色（與特征點對應）thickness=2 # 線段粗細)# 6. 生成最終圖像：將掩膜（軌跡）疊加到原始幀上result = cv2.add(frame, mask) # 圖像疊加，軌跡覆蓋在視頻上# 7. 顯示結果cv2.imshow("Motion Trajectory", result) # 顯示帶軌跡的視頻cv2.imshow("Mask Only", mask) # 單獨顯示軌跡掩膜（可選）# 8. 按鍵控制：按下Esc鍵（ASCII碼27）退出循環k = cv2.waitKey(30) & 0xFF # 等待30ms（控制視頻播放速度）if k == 27:break# 9. 更新“上一幀”數據：為下一循環做準備old_gray = frame_gray.copy() # 上一幀灰度圖更新為當前幀p0 = good_new.reshape(-1, 1, 2) # 上一幀特征點更新為當前幀有效點（調整形狀）7. 步驟 6：釋放資源
循環結束后，需釋放視頻捕獲對象與銷毀 OpenCV 窗口，避免內存泄漏：
# 釋放視頻資源
cap.release()
# 銷毀所有OpenCV窗口
cv2.destroyAllWindows()運行結果如下：為一個視頻檢測人們的運動軌跡
五、總結
本文通過 OpenCV 實現了基于 Lucas-Kanade 金字塔光流的運動軌跡繪制，核心邏輯是 “提取特征點→跟蹤特征點→繪制幀間連線”。該方法兼顧實時性與精度，適用于攝像頭監控、車輛跟蹤、機器人視覺等場景。
掌握光流估計后，可進一步探索更復雜的應用，如結合目標檢測（如 YOLO）實現特定物體的軌跡跟蹤，或使用稠密光流算法（如cv2.calcOpticalFlowFarneback()）獲取全像素運動信息。
希望本文能幫助你理解光流估計的實踐邏輯，動手嘗試調整參數，感受不同場景下的軌跡繪制效果吧！
--Java版)
)
