详细描述

函数
GMat	cv::gapi::BackgroundSubtractor (const GMat &src, const cv::gapi::video::BackgroundSubtractorParams &bsParams)
	基于高斯混合模型或 K 近邻的背景/前景分割算法。此操作生成前景掩码。

std::tuple< GArray< GMat >, GScalar >	cv::gapi::buildOpticalFlowPyramid (const GMat &img, const Size &winSize, const GScalar &maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)
	构建可传递给 calcOpticalFlowPyrLK 的图像金字塔。

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	cv::gapi::calcOpticalFlowPyrLK (const GArray< GMat > &prevPyr, const GArray< GMat > &nextPyr, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	cv::gapi::calcOpticalFlowPyrLK (const GMat &prevImg, const GMat &nextImg, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
	使用具有金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。

GMat	cv::gapi::KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const cv::gapi::KalmanParams &kfParams)

GMat	cv::gapi::KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const GMat &control, const cv::gapi::KalmanParams &kfParams)
	标准卡尔曼滤波器算法 http://en.wikipedia.org/wiki/Kalman_filter.

函数文档

◆ BackgroundSubtractor()

GMat cv::gapi::BackgroundSubtractor	(	const GMat &	src,
		const cv::gapi::video::BackgroundSubtractorParams &	bsParams
	)

#include <opencv2/gapi/video.hpp>

基于高斯混合模型或 K 近邻的背景/前景分割算法。此操作生成前景掩码。

返回值: 输出图像为前景掩码，即 8 位无符号单通道（二进制）矩阵 CV_8UC1.

注意: 功能文本 ID 为“org.opencv.video.BackgroundSubtractor”

参数

src	输入图像：浮点帧在不缩放的情况下使用，应在范围 [0,255] 内。
bsParams	背景减除内核的初始化参数集。

◆ buildOpticalFlowPyramid()

std::tuple< GArray< GMat >, GScalar > cv::gapi::buildOpticalFlowPyramid	(	const GMat &	img,
		const Size &	winSize,
		const GScalar &	maxLevel,
		bool	withDerivatives = `true`,
		int	pyrBorder = `BORDER_REFLECT_101`,
		int	derivBorder = `BORDER_CONSTANT`,
		bool	tryReuseInputImage = `true`
	)

#include <opencv2/gapi/video.hpp>

构建可传递给 calcOpticalFlowPyrLK 的图像金字塔。

注意: 函数文本 ID 为“org.opencv.video.buildOpticalFlowPyramid”

参数

img	8 位输入图像。
winSize	光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要计算金字塔级别所需的填充。
maxLevel	基于 0 的最大金字塔级别编号。
withDerivatives	设置为预计算每个金字塔级别的梯度。如果金字塔在没有梯度的情况下构建，那么 calcOpticalFlowPyrLK 将在内部计算它们。
pyrBorder	金字塔层级的边框模式。
derivBorder	梯度的边框模式。
tryReuseInputImage	如果可能，将输入图像的 ROI 放入金字塔。您可以传递 false 强制数据复制。

返回值

输出金字塔。
构建的金字塔中的级别数。可以小于 maxLevel。

◆ calcOpticalFlowPyrLK() [1/2]

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > > cv::gapi::calcOpticalFlowPyrLK	(	const GArray< GMat > &	prevPyr,
		const GArray< GMat > &	nextPyr,
		const GArray< Point2f > &	prevPts,
		const GArray< Point2f > &	predPts,
		const Size &	winSize = `Size(21, 21)`,
		const GScalar &	maxLevel = `3`,
		const TermCriteria &	criteria = `TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01)`,
		int	flags = `0`,
		double	minEigThresh = `1e-4`
	)

#include <opencv2/gapi/video.hpp>

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数不同。

注意: 函数文本 ID 为“org.opencv.video.calcOpticalFlowPyrLKForPyr”

◆ calcOpticalFlowPyrLK() [2/2]

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > > cv::gapi::calcOpticalFlowPyrLK	(	const GMat &	prevImg,
		const GMat &	nextImg,
		const GArray< Point2f > &	prevPts,
		const GArray< Point2f > &	predPts,
		const Size &	winSize = `Size(21, 21)`,
		const GScalar &	maxLevel = `3`,
		const TermCriteria &	criteria = `TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01)`,
		int	flags = `0`,
		double	minEigThresh = `1e-4`
	)

#include <opencv2/gapi/video.hpp>

使用具有金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。

参见 [36] 。

注意: 函数文本 ID 为“org.opencv.video.calcOpticalFlowPyrLK”

参数

prevImg	第一个 8 位输入图像 (GMat) 或由 buildOpticalFlowPyramid 构建的金字塔 (GArray<GMat>)。
nextImg	第二个输入图像 (GMat) 或与 prevImg 大小和类型相同的金字塔 (GArray<GMat>)。
prevPts	GArray 包含需要查找流的二维点；点坐标必须是单精度浮点数。
predPts	GArray 包含流搜索的初始二维点；仅在传递 OPTFLOW_USE_INITIAL_FLOW 标志时才有意义；在这种情况下，向量的大小必须与输入相同。
winSize	每个金字塔级别搜索窗口的大小。
maxLevel	基于 0 的最大金字塔级别编号；如果设置为 0，则不使用金字塔（单个级别），如果设置为 1，则使用两个级别，依此类推；如果金字塔传递到输入，则算法将使用与金字塔具有的相同级别的数量，但不超过 maxLevel。
criteria	参数，指定迭代搜索算法的终止条件（在指定的最大迭代次数 criteria.maxCount 之后或当搜索窗口移动小于 criteria.epsilon 时）。
flags	操作标志 OPTFLOW_USE_INITIAL_FLOW 使用存储在 nextPts 中的初始估计；如果未设置该标志，则将 prevPts 复制到 nextPts 并将其视为初始估计。 OPTFLOW_LK_GET_MIN_EIGENVALS 使用最小特征值作为误差度量（参见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围的补丁之间的 L1 距离（除以窗口中的像素数）作为误差度量。
minEigThresh	算法计算光流方程的 2x2 正常矩阵的最小特征值（此矩阵在 [36] 中被称为空间梯度矩阵），除以窗口中的像素数；如果此值小于 minEigThreshold，则相应特征会被过滤掉，并且不会处理其流，因此它允许去除不良点并提高性能。

返回值

GArray 包含第二张图像中输入特征的计算的新位置的二维点（具有单精度浮点坐标）。
status GArray （无符号字符）；如果找到对应特征的流，则向量的每个元素都设置为 1，否则设置为 0。
GArray 的误差 (double)；向量中的每个元素都设置为对应特征的误差，误差度量类型的设置可以在 flags 参数中进行；如果未找到流，则误差未定义（使用 status 参数查找此类情况）。

◆ KalmanFilter() [1/2]

GMat cv::gapi::KalmanFilter	(	const GMat &	测量值,
		const GOpaque< bool > &	是否有测量值,
		const cv::gapi::KalmanParams &	kfParams
	)

#include <opencv2/gapi/video.hpp>

这是一个重载的成员函数，为了方便提供。它与上面的函数的不同之处仅在于它接受的参数。标准卡尔曼滤波器算法在动态系统中没有控制时的案例。在这种情况下，控制矩阵为空，控制向量不存在。

注意: 函数文本 ID 为 "org.opencv.video.KalmanFilterNoControl"

参数

测量值	输入矩阵：包含测量值的 32 位或 64 位浮点单通道矩阵。
是否有测量值	动态输入标志，指示我们在特定迭代中是否获得测量值。
kfParams	卡尔曼滤波器内核的初始化参数集。

返回值: 输出矩阵是预测的或校正的状态。它们可以是 32 位或 64 位浮点单通道矩阵 CV_32FC1 或 CV_64FC1。

另请参阅: cv::KalmanFilter

◆ KalmanFilter() [2/2]

GMat cv::gapi::KalmanFilter	(	const GMat &	测量值,
		const GOpaque< bool > &	是否有测量值,
		const GMat &	控制,
		const cv::gapi::KalmanParams &	kfParams
	)

#include <opencv2/gapi/video.hpp>

标准卡尔曼滤波器算法 http://en.wikipedia.org/wiki/Kalman_filter.

注意: 功能文本 ID 为 "org.opencv.video.KalmanFilter"

参数

测量值	输入矩阵：包含测量值的 32 位或 64 位浮点单通道矩阵。
是否有测量值	动态输入标志，指示我们在特定迭代中是否获得测量值。
控制	输入矩阵：包含用于更改动态系统的控制数据的 32 位或 64 位浮点单通道矩阵。
kfParams	卡尔曼滤波器内核的初始化参数集。

返回值: 输出矩阵是预测的或校正的状态。它们可以是 32 位或 64 位浮点单通道矩阵 CV_32FC1 或 CV_64FC1。

如果给出测量矩阵 (haveMeasurements == true)，则将返回校正的状态，该状态对应于管道 cv::KalmanFilter::predict(control) -> cv::KalmanFilter::correct(measurement)。否则，将返回预测的状态，该状态对应于 cv::KalmanFilter::predict(control) 的调用。

另请参阅: cv::KalmanFilter