用于存储和设置鲁棒局部光流 (RLOF) 算法的参数。更多...

#include <opencv2/optflow/rlofflow.hpp>

cv::optflow::RLOFOpticalFlowParameter 的协作图

公共成员函数
	RLOFOpticalFlowParameter ()

int	getCrossSegmentationThreshold () const

float	getGlobalMotionRansacThreshold () const

int	getLargeWinSize () const

int	getMaxIteration () const

int	getMaxLevel () const

float	getMinEigenValue () const

float	getNormSigma0 () const

float	getNormSigma1 () const

int	getSmallWinSize () const

SolverType	getSolverType () const

SupportRegionType	getSupportRegionType () const

bool	getUseGlobalMotionPrior () const

bool	getUseIlluminationModel () const

bool	getUseInitialFlow () const

void	setCrossSegmentationThreshold (int val)

void	setGlobalMotionRansacThreshold (float val)

void	setLargeWinSize (int val)

void	setMaxIteration (int val)

void	setMaxLevel (int val)

void	setMinEigenValue (float val)

void	setNormSigma0 (float val)

void	setNormSigma1 (float val)

void	setSmallWinSize (int val)

void	setSolverType (SolverType val)

void	setSupportRegionType (SupportRegionType val)

void	setUseGlobalMotionPrior (bool val)

void	setUseIlluminationModel (bool val)

void	setUseInitialFlow (bool val)

void	setUseMEstimator (bool val)
	启用 M 估计器或禁用并使用最小二乘估计器。

静态公共成员函数
static Ptr< RLOFOpticalFlowParameter >	create ()
	创建 optflow::RLOFOpticalFlowParameter 的实例。

公共属性
int	crossSegmentationThreshold

float	globalMotionRansacThreshold

int	largeWinSize

int	maxIteration

int	maxLevel

float	minEigenValue

float	normSigma0

float	normSigma1

int	smallWinSize

SolverType	solverType

SupportRegionType	supportRegionType

bool	useGlobalMotionPrior

bool	useIlluminationModel

bool	useInitialFlow

详细描述

用于存储和设置鲁棒局部光流 (RLOF) 算法的参数。

RLOF 是一种快速局部光流方法，如 [237] [238] [239] 和 [240] 中所述，类似于 [36] 提出的金字塔迭代 Lucas-Kanade 方法。更多细节和实验可以在以下论文中找到 [241]。该实现源于 optflow::calcOpticalFlowPyrLK()。此 RLOF 实现可以看作是改进的金字塔迭代 Lucas-Kanade，并包含一组改进模块。与金字塔迭代 Lucas-Kanade 相比，主要改进包括

更鲁棒的重新下降 M 估计器框架（参见 [237]），以提高运动边界以及出现和消失像素的精度。
自适应支持区域策略，以提高运动边界处的精度，从而减少冠状效应，即 PLK 在运动/物体边界处的过度平滑。 [239] 中提出的基于十字的分割策略 (SR_CROSS) 使用一种简单的分割方法来获得支持区域的最佳形状。
为了处理光照变化（室外序列和阴影），基于强度恒定假设的光流方程已经采用了 Gennert 和 Negahdaripour 光照模型（参见 [240]）。可以使用 useIlluminationModel 变量打开或关闭此模型。
通过使用全局运动先验初始化（参见 [240]）进行迭代细化，可以显着提高大位移的精度。可以使用 useGlobalMotionPrior 变量打开或关闭此初始化。

可以使用 SparseOpticalFlow 类或函数接口来计算一组特征的 RLOF，或者可以使用 DenseOpticalFlow 类或函数接口来计算密集的光流。

另请参阅: optflow::DenseRLOFOpticalFlow，optflow::calcOpticalFlowDenseRLOF()，optflow::SparseRLOFOpticalFlow，optflow::calcOpticalFlowSparseRLOF()

构造函数和析构函数文档

◆ RLOFOpticalFlowParameter()

cv::optflow::RLOFOpticalFlowParameter::RLOFOpticalFlowParameter ( )

inline

以下是此函数的调用图

成员函数文档

◆ create()

static Ptr< RLOFOpticalFlowParameter > cv::optflow::RLOFOpticalFlowParameter::create ( )

static

Python
	cv.optflow.RLOFOpticalFlowParameter.create(		) ->	retval
	cv.optflow.RLOFOpticalFlowParameter_create(		) ->	retval

创建 optflow::RLOFOpticalFlowParameter 的实例。

◆ getCrossSegmentationThreshold()

int cv::optflow::RLOFOpticalFlowParameter::getCrossSegmentationThreshold ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getCrossSegmentationThreshold(		) ->	retval

◆ getGlobalMotionRansacThreshold()

float cv::optflow::RLOFOpticalFlowParameter::getGlobalMotionRansacThreshold ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getGlobalMotionRansacThreshold(		) ->	retval

◆ getLargeWinSize()

int cv::optflow::RLOFOpticalFlowParameter::getLargeWinSize ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getLargeWinSize(		) ->	retval

◆ getMaxIteration()

int cv::optflow::RLOFOpticalFlowParameter::getMaxIteration ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getMaxIteration(		) ->	retval

◆ getMaxLevel()

int cv::optflow::RLOFOpticalFlowParameter::getMaxLevel ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getMaxLevel(		) ->	retval

◆ getMinEigenValue()

float cv::optflow::RLOFOpticalFlowParameter::getMinEigenValue ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getMinEigenValue(		) ->	retval

◆ getNormSigma0()

float cv::optflow::RLOFOpticalFlowParameter::getNormSigma0 ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getNormSigma0(		) ->	retval

◆ getNormSigma1()

float cv::optflow::RLOFOpticalFlowParameter::getNormSigma1 ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getNormSigma1(		) ->	retval

◆ getSmallWinSize()

int cv::optflow::RLOFOpticalFlowParameter::getSmallWinSize ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getSmallWinSize(		) ->	retval

◆ getSolverType()

SolverType cv::optflow::RLOFOpticalFlowParameter::getSolverType ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getSolverType(		) ->	retval

◆ getSupportRegionType()

SupportRegionType cv::optflow::RLOFOpticalFlowParameter::getSupportRegionType ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getSupportRegionType(		) ->	retval

◆ getUseGlobalMotionPrior()

bool cv::optflow::RLOFOpticalFlowParameter::getUseGlobalMotionPrior ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getUseGlobalMotionPrior(		) ->	retval

◆ getUseIlluminationModel()

bool cv::optflow::RLOFOpticalFlowParameter::getUseIlluminationModel ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getUseIlluminationModel(		) ->	retval

◆ getUseInitialFlow()

bool cv::optflow::RLOFOpticalFlowParameter::getUseInitialFlow ( ) const

Python
	cv.optflow.RLOFOpticalFlowParameter.getUseInitialFlow(		) ->	retval

◆ setCrossSegmentationThreshold()

void cv::optflow::RLOFOpticalFlowParameter::setCrossSegmentationThreshold ( int val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setCrossSegmentationThreshold(	val	) ->	None

◆ setGlobalMotionRansacThreshold()

void cv::optflow::RLOFOpticalFlowParameter::setGlobalMotionRansacThreshold ( float val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setGlobalMotionRansacThreshold(	val	) ->	None

◆ setLargeWinSize()

void cv::optflow::RLOFOpticalFlowParameter::setLargeWinSize ( int val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setLargeWinSize(	val	) ->	None

◆ setMaxIteration()

void cv::optflow::RLOFOpticalFlowParameter::setMaxIteration ( int val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setMaxIteration(	val	) ->	None

◆ setMaxLevel()

void cv::optflow::RLOFOpticalFlowParameter::setMaxLevel ( int val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setMaxLevel(	val	) ->	None

◆ setMinEigenValue()

void cv::optflow::RLOFOpticalFlowParameter::setMinEigenValue ( float val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setMinEigenValue(	val	) ->	None

◆ setNormSigma0()

void cv::optflow::RLOFOpticalFlowParameter::setNormSigma0 ( float val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setNormSigma0(	val	) ->	None

◆ setNormSigma1()

void cv::optflow::RLOFOpticalFlowParameter::setNormSigma1 ( float val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setNormSigma1(	val	) ->	None

◆ setSmallWinSize()

void cv::optflow::RLOFOpticalFlowParameter::setSmallWinSize ( int val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setSmallWinSize(	val	) ->	None

◆ setSolverType()

void cv::optflow::RLOFOpticalFlowParameter::setSolverType ( SolverType val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setSolverType(	val	) ->	None

◆ setSupportRegionType()

void cv::optflow::RLOFOpticalFlowParameter::setSupportRegionType ( SupportRegionType val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setSupportRegionType(	val	) ->	None

◆ setUseGlobalMotionPrior()

void cv::optflow::RLOFOpticalFlowParameter::setUseGlobalMotionPrior ( bool val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setUseGlobalMotionPrior(	val	) ->	None

◆ setUseIlluminationModel()

void cv::optflow::RLOFOpticalFlowParameter::setUseIlluminationModel ( bool val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setUseIlluminationModel(	val	) ->	None

◆ setUseInitialFlow()

void cv::optflow::RLOFOpticalFlowParameter::setUseInitialFlow ( bool val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setUseInitialFlow(	val	) ->	None

◆ setUseMEstimator()

void cv::optflow::RLOFOpticalFlowParameter::setUseMEstimator ( bool val )

Python
	cv.optflow.RLOFOpticalFlowParameter.setUseMEstimator(	val	) ->	None

启用 M 估计器或禁用并使用最小二乘估计器。

启用 M-估计器，将 sigma 参数设置为 (3.2, 7.0)。禁用 M-估计器可以减少运行时间，而启用可以提高精度。

参数

val	如果为真，则使用 M-估计器。如果为假，则使用最小二乘估计器。

另请参阅: setNormSigma0, setNormSigma1

成员数据文档

◆ crossSegmentationThreshold

int cv::optflow::RLOFOpticalFlowParameter::crossSegmentationThreshold

基于交叉分割的彩色相似度阈值，遵循 [239] 。（仅在 supportRegionType 为 SR_CROSS 时使用）。使用基于交叉的分割，可以更准确地计算运动边界。

◆ globalMotionRansacThreshold

float cv::optflow::RLOFOpticalFlowParameter::globalMotionRansacThreshold

为了应用全局运动先验，将在正则采样的运动矢量上计算，这些运动矢量是使用 RANSAC 进行单应性估计的基础。重投影阈值基于运动矢量幅度的第 n 个百分位数（由该值 [0 ... 100] 给出）。有关更多详细信息，请参见 [240] 。

◆ largeWinSize

int cv::optflow::RLOFOpticalFlowParameter::largeWinSize

支持区域的最大窗口大小。如果 supportRegionType 为 SR_FIXED，则给出确切的支持区域大小。RLOF 的速度与应用的窗口大小有关。窗口大小越小，运行时间越短，但该方法对噪声的敏感度也越高。

◆ maxIteration

int cv::optflow::RLOFOpticalFlowParameter::maxIteration

用于迭代细化的最大迭代次数。较低的值可以减少运行时间，但也会降低精度。

◆ maxLevel

int cv::optflow::RLOFOpticalFlowParameter::maxLevel

使用的金字塔级别的最大数量。此值越大，获得长距离运动的准确解的可能性就越大。运行时间与此参数线性相关。

◆ minEigenValue

float cv::optflow::RLOFOpticalFlowParameter::minEigenValue

梯度矩阵的最小特征值的阈值定义了何时中止迭代细化。

◆ normSigma0

float cv::optflow::RLOFOpticalFlowParameter::normSigma0

在 [237] 中引入的缩减 Hampel 规范的 sigma 参数。如果 sigma = std::numeric_limist<float>::max()，则将使用最小二乘估计器而不是 M-估计器。虽然 M-估计器对支持区域中的异常值更鲁棒，但最小二乘在计算上可能更快。

◆ normSigma1

float cv::optflow::RLOFOpticalFlowParameter::normSigma1

在 [237] 中引入的缩减 Hampel 规范的 sigma 参数。如果 sigma = std::numeric_limist<float>::max()，则将使用最小二乘估计器而不是 M-估计器。虽然 M-估计器对支持区域中的异常值更鲁棒，但最小二乘在计算上可能更快。

◆ smallWinSize

int cv::optflow::RLOFOpticalFlowParameter::smallWinSize

支持区域的最小窗口大小。此参数仅在 supportRegionType 为 SR_CROSS 时使用。

◆ solverType

SolverType cv::optflow::RLOFOpticalFlowParameter::solverType

变量指定迭代细化策略。使用 ST_BILINEAR 时，请考虑引用 [238] 。

◆ supportRegionType

SupportRegionType cv::optflow::RLOFOpticalFlowParameter::supportRegionType

变量指定支持区域形状提取或收缩策略。

◆ useGlobalMotionPrior

bool cv::optflow::RLOFOpticalFlowParameter::useGlobalMotionPrior

使用全局运动先验初始化在 [240] 中引入。它允许对长距离运动更加准确。通过启用全局运动先验初始化，计算复杂度会略微增加。

◆ useIlluminationModel

bool cv::optflow::RLOFOpticalFlowParameter::useIlluminationModel

使用 Gennert 和 Negahdaripour 照明模型代替强度亮度约束。（在 [240] 中提出）。该模型定义如下

\[ I(\mathbf{x},t) + m \cdot I(\mathbf{x},t) + c = I(\mathbf{x},t+1) \]

并包含 m 和 c 的乘法和加法项，这使得估计对照明变化更加鲁棒。通过启用照明模型，计算复杂度会增加。

◆ useInitialFlow

bool cv::optflow::RLOFOpticalFlowParameter::useInitialFlow

使用下一个点列表作为初始值。良好的初始化可以提高算法精度，并通过迭代细化更快地收敛来减少运行时间。

此类的文档由以下文件生成

opencv2/optflow/rlofflow.hpp

公共成员函数

静态公共成员函数

公共属性