软件包 org.opencv.video

类 Video

  • public class Video
extends java.lang.Object

    • 字段详情

      • OPTFLOW_USE_INITIAL_FLOW

        public static final int OPTFLOW_USE_INITIAL_FLOW
        另请参阅
        常量字段值

      • OPTFLOW_LK_GET_MIN_EIGENVALS

        public static final int OPTFLOW_LK_GET_MIN_EIGENVALS
        另请参阅
        常量字段值

      • OPTFLOW_FARNEBACK_GAUSSIAN

        public static final int OPTFLOW_FARNEBACK_GAUSSIAN
        另请参阅
        常量字段值

      • MOTION_TRANSLATION

        public static final int MOTION_TRANSLATION
        另请参阅
        常量字段值

      • MOTION_EUCLIDEAN

        public static final int MOTION_EUCLIDEAN
        另请参阅
        常量字段值

      • MOTION_AFFINE

        public static final int MOTION_AFFINE
        另请参阅
        常量字段值

      • MOTION_HOMOGRAPHY

        public static final int MOTION_HOMOGRAPHY
        另请参阅
        常量字段值

      • TrackerSamplerCSC_MODE_INIT_POS

        public static final int TrackerSamplerCSC_MODE_INIT_POS
        另请参阅
        常量字段值

      • TrackerSamplerCSC_MODE_INIT_NEG

        public static final int TrackerSamplerCSC_MODE_INIT_NEG
        另请参阅
        常量字段值

      • TrackerSamplerCSC_MODE_TRACK_POS

        public static final int TrackerSamplerCSC_MODE_TRACK_POS
        另请参阅
        常量字段值

      • TrackerSamplerCSC_MODE_TRACK_NEG

        public static final int TrackerSamplerCSC_MODE_TRACK_NEG
        另请参阅
        常量字段值

      • TrackerSamplerCSC_MODE_DETECT

        public static final int TrackerSamplerCSC_MODE_DETECT
        另请参阅
        常量字段值

    • 构造函数详情

      • Video

        public Video()

    • 方法详情

      • createBackgroundSubtractorMOG2

        public static BackgroundSubtractorMOG2 createBackgroundSubtractorMOG2​(int history,
                                                                      double varThreshold,
                                                                      boolean detectShadows)
        创建 MOG2 背景扣除器
        参数
        history - 历史长度。
        varThreshold - 像素与模型之间马氏距离平方的阈值，用于决定像素是否被背景模型良好描述。此参数不影响背景更新。
        detectShadows - 如果为 true，算法将检测并标记阴影。这会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorMOG2

        public static BackgroundSubtractorMOG2 createBackgroundSubtractorMOG2​(int history,
                                                                      double varThreshold)
        创建 MOG2 背景扣除器
        参数
        history - 历史长度。
        varThreshold - 像素与模型之间马氏距离平方的阈值，用于决定像素是否被背景模型良好描述。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorMOG2

        public static BackgroundSubtractorMOG2 createBackgroundSubtractorMOG2​(int history)
        创建 MOG2 背景扣除器
        参数
        history - 历史长度。用于决定像素是否被背景模型良好描述。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorMOG2

        public static BackgroundSubtractorMOG2 createBackgroundSubtractorMOG2()
        创建 MOG2 背景扣除器，用于决定像素是否被背景模型良好描述。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorKNN

        public static BackgroundSubtractorKNN createBackgroundSubtractorKNN​(int history,
                                                                    double dist2Threshold,
                                                                    boolean detectShadows)
        创建 KNN 背景扣除器
        参数
        history - 历史长度。
        dist2Threshold - 像素与样本之间距离平方的阈值，用于决定像素是否接近该样本。此参数不影响背景更新。
        detectShadows - 如果为 true，算法将检测并标记阴影。这会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorKNN

        public static BackgroundSubtractorKNN createBackgroundSubtractorKNN​(int history,
                                                                    double dist2Threshold)
        创建 KNN 背景扣除器
        参数
        history - 历史长度。
        dist2Threshold - 像素与样本之间距离平方的阈值，用于决定像素是否接近该样本。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorKNN

        public static BackgroundSubtractorKNN createBackgroundSubtractorKNN​(int history)
        创建 KNN 背景扣除器
        参数
        history - 历史长度。无论像素是否接近该样本。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • createBackgroundSubtractorKNN

        public static BackgroundSubtractorKNN createBackgroundSubtractorKNN()
        创建 KNN 背景扣除器，无论像素是否接近该样本。此参数不影响背景更新。会稍微降低速度，因此如果不需要此功能，请将参数设置为 false。
        返回
        自动生成

      • CamShift

        public static RotatedRect CamShift​(Mat probImage,
                                   Rect window,
                                   TermCriteria criteria)
        查找物体的中心、大小和方向。
        参数
        probImage - 物体直方图的反向投影。参见 calcBackProject。
        window - 初始搜索窗口。
        criteria - 底层 meanShift 的停止准则。（在旧接口中）返回 CAMSHIFT 收敛所需的迭代次数。该函数实现了 CAMSHIFT 物体追踪算法，参考：Bradski98。首先，它使用 meanShift 找到物体中心，然后调整窗口大小并找到最佳旋转。函数返回一个旋转矩形结构，包括物体的位置、大小和方向。搜索窗口的下一个位置可以通过 RotatedRect::boundingRect() 获取。参见追踪彩色物体的 OpenCV 示例 camshiftdemo.c。注意：
        • (Python) 可以在 opencv_source_code/samples/python/camshift.py 中找到解释 camshift 追踪算法的示例
        返回
        自动生成

      • meanShift

        public static int meanShift​(Mat probImage,
                            Rect window,
                            TermCriteria criteria)
        在反向投影图像上寻找物体。
        参数
        probImage - 物体直方图的反向投影。详情参见 calcBackProject。
        window - 初始搜索窗口。
        criteria - 迭代搜索算法的停止准则。返回：CAMSHIFT 收敛所需的迭代次数。该函数实现了迭代物体搜索算法。它接收输入的物体反向投影和初始位置。计算反向投影图像在窗口内的质心，并将搜索窗口中心移动到质心。重复此过程，直到完成指定的迭代次数 criteria.maxCount 或窗口中心移动小于 criteria.epsilon。该算法在 CamShift 内部使用，与 CamShift 不同的是，搜索窗口的大小或方向在搜索过程中不会改变。你可以直接将 calcBackProject 的输出传递给此函数。但如果先对反向投影进行预滤波并去除噪声，可以获得更好的结果。例如，你可以通过 findContours 提取连通分量，丢弃面积较小的轮廓 (contourArea)，并使用 drawContours 渲染剩余轮廓来实现这一点。
        返回
        自动生成

      • buildOpticalFlowPyramid

        public static int buildOpticalFlowPyramid​(Mat img,
                                          java.util.List<Mat> pyramid,
                                          Size winSize,
                                          int maxLevel,
                                          boolean withDerivatives,
                                          int pyrBorder,
                                          int derivBorder,
                                          boolean tryReuseInputImage)
        构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
        参数
        img - 8 位输入图像。
        pyramid - 输出金字塔。
        winSize - 光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要用它来计算金字塔层级所需的填充。
        maxLevel - 从 0 开始的最大金字塔层数。
        withDerivatives - 设置为预计算每个金字塔层级的梯度。如果在构建金字塔时没有梯度，calcOpticalFlowPyrLK 将在内部计算它们。
        pyrBorder - 金字塔层的边界模式。
        derivBorder - 梯度的边界模式。
        tryReuseInputImage - 如果可能，将输入图像的 ROI 放入金字塔中。你可以传递 false 以强制数据复制。
        返回
        所构建金字塔的层数。可以小于 maxLevel。

      • buildOpticalFlowPyramid

        public static int buildOpticalFlowPyramid​(Mat img,
                                          java.util.List<Mat> pyramid,
                                          Size winSize,
                                          int maxLevel,
                                          boolean withDerivatives,
                                          int pyrBorder,
                                          int derivBorder)
        构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
        参数
        img - 8 位输入图像。
        pyramid - 输出金字塔。
        winSize - 光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要用它来计算金字塔层级所需的填充。
        maxLevel - 从 0 开始的最大金字塔层数。
        withDerivatives - 设置为预计算每个金字塔层级的梯度。如果在构建金字塔时没有梯度，calcOpticalFlowPyrLK 将在内部计算它们。
        pyrBorder - 金字塔层的边界模式。
        derivBorder - 梯度的边界模式。用于强制数据复制。
        返回
        所构建金字塔的层数。可以小于 maxLevel。

      • buildOpticalFlowPyramid

        public static int buildOpticalFlowPyramid​(Mat img,
                                          java.util.List<Mat> pyramid,
                                          Size winSize,
                                          int maxLevel,
                                          boolean withDerivatives,
                                          int pyrBorder)
        构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
        参数
        img - 8 位输入图像。
        pyramid - 输出金字塔。
        winSize - 光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要用它来计算金字塔层级所需的填充。
        maxLevel - 从 0 开始的最大金字塔层数。
        withDerivatives - 设置为预计算每个金字塔层级的梯度。如果在构建金字塔时没有梯度，calcOpticalFlowPyrLK 将在内部计算它们。
        pyrBorder - 金字塔层的边界模式。用于强制数据复制。
        返回
        所构建金字塔的层数。可以小于 maxLevel。

      • buildOpticalFlowPyramid

        public static int buildOpticalFlowPyramid​(Mat img,
                                          java.util.List<Mat> pyramid,
                                          Size winSize,
                                          int maxLevel,
                                          boolean withDerivatives)
        构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
        参数
        img - 8 位输入图像。
        pyramid - 输出金字塔。
        winSize - 光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要用它来计算金字塔层级所需的填充。
        maxLevel - 从 0 开始的最大金字塔层数。
        withDerivatives - 设置为预计算每个金字塔层级的梯度。如果在构建金字塔时没有梯度，calcOpticalFlowPyrLK 将在内部计算它们。用于强制数据复制。
        返回
        所构建金字塔的层数。可以小于 maxLevel。

      • buildOpticalFlowPyramid

        public static int buildOpticalFlowPyramid​(Mat img,
                                          java.util.List<Mat> pyramid,
                                          Size winSize,
                                          int maxLevel)
        构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
        参数
        img - 8 位输入图像。
        pyramid - 输出金字塔。
        winSize - 光流算法的窗口大小。必须不小于 calcOpticalFlowPyrLK 的 winSize 参数。需要用它来计算金字塔层级所需的填充。
        maxLevel - 从 0 开始的最大金字塔层数。如果在构建金字塔时没有梯度，calcOpticalFlowPyrLK 将在内部计算它们。用于强制数据复制。
        返回
        所构建金字塔的层数。可以小于 maxLevel。

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err,
                                        Size winSize,
                                        int maxLevel,
                                        TermCriteria criteria,
                                        int flags,
                                        double minEigThreshold)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。
        winSize - 每个金字塔层级的搜索窗口大小。
        maxLevel - 从 0 开始的最大金字塔层数；如果设置为 0，则不使用金字塔（单层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。
        criteria - 指定迭代搜索算法终止条件的参数（在指定的最高迭代次数 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 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        minEigThreshold - 该算法计算光流方程的 2x2 正规矩阵（在参考：Bouguet00 中称为空间梯度矩阵）的最小特征值，除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，这样可以去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err,
                                        Size winSize,
                                        int maxLevel,
                                        TermCriteria criteria,
                                        int flags)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。
        winSize - 每个金字塔层级的搜索窗口大小。
        maxLevel - 从 0 开始的最大金字塔层数；如果设置为 0，则不使用金字塔（单层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。
        criteria - 指定迭代搜索算法终止条件的参数（在指定的最高迭代次数 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 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        光流方程（此矩阵在参考：Bouguet00 中称为空间梯度矩阵），除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，从而去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err,
                                        Size winSize,
                                        int maxLevel,
                                        TermCriteria criteria)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。
        winSize - 每个金字塔层级的搜索窗口大小。
        maxLevel - 从 0 开始的最大金字塔层数；如果设置为 0，则不使用金字塔（单层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。
        criteria - 指定迭代搜索算法终止条件的参数（在指定的最高迭代次数 criteria.maxCount 之后，或当搜索窗口移动小于 criteria.epsilon 时）。
        • OPTFLOW_USE_INITIAL_FLOW 使用存储在 nextPts 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        光流方程（此矩阵在参考：Bouguet00 中称为空间梯度矩阵），除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，从而去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err,
                                        Size winSize,
                                        int maxLevel)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。
        winSize - 每个金字塔层级的搜索窗口大小。
        maxLevel - 从 0 开始的最大金字塔层数；如果设置为 0，则不使用金字塔（单层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。（在指定的最高迭代次数 criteria.maxCount 之后，或当搜索窗口移动小于 criteria.epsilon 时）。
        • OPTFLOW_USE_INITIAL_FLOW 使用存储在 nextPts 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        光流方程（此矩阵在参考：Bouguet00 中称为空间梯度矩阵），除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，从而去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err,
                                        Size winSize)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。
        winSize - 每个金字塔层级的搜索窗口大小。层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。（在指定的最高迭代次数 criteria.maxCount 之后，或当搜索窗口移动小于 criteria.epsilon 时）。
        • OPTFLOW_USE_INITIAL_FLOW 使用存储在 nextPts 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        光流方程（此矩阵在参考：Bouguet00 中称为空间梯度矩阵），除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，从而去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowPyrLK

        public static void calcOpticalFlowPyrLK​(Mat prevImg,
                                        Mat nextImg,
                                        MatOfPoint2f prevPts,
                                        MatOfPoint2f nextPts,
                                        MatOfByte status,
                                        MatOfFloat err)
        使用带金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
        参数
        prevImg - 第一个 8 位输入图像或由 buildOpticalFlowPyramid 构建的金字塔。
        nextImg - 第二个输入图像或与 prevImg 大小相同、类型相同的金字塔。
        prevPts - 需要寻找光流的 2D 点向量；点坐标必须是单精度浮点数。
        nextPts - 输出的 2D 点向量（具有单精度浮点坐标），包含计算出的输入特征在第二幅图像中的新位置；当传递了 OPTFLOW_USE_INITIAL_FLOW 标志时，向量的大小必须与输入时相同。
        status - 输出状态向量（无符号字符型）；如果找到了对应特征的光流，向量的每个元素被设置为 1，否则设置为 0。
        err - 输出误差向量；向量的每个元素被设置为对应特征的误差，误差度量类型可以在 flags 参数中设置；如果未找到光流，则误差未定义（使用 status 参数来发现此类情况）。层），如果设置为 1，则使用两层，依此类推；如果将金字塔传递给输入，算法将使用与金字塔层数相同的层数，但不超过 maxLevel。（在指定的最高迭代次数 criteria.maxCount 之后，或当搜索窗口移动小于 criteria.epsilon 时）。
        • OPTFLOW_USE_INITIAL_FLOW 使用存储在 nextPts 中的初始估计值；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（见 minEigThreshold 描述）；如果未设置该标志，则使用原始点和移动点周围补丁之间的 L1 距离除以窗口中的像素数作为误差度量。
        光流方程（此矩阵在参考：Bouguet00 中称为空间梯度矩阵），除以窗口中的像素数；如果该值小于 minEigThreshold，则剔除相应的特征，不处理其光流，从而去除坏点并提高性能。该函数实现了金字塔中 Lucas-Kanade 光流的稀疏迭代版本。参见参考：Bouguet00。该函数已使用 TBB 库实现并行化。注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/lkdemo.cpp 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_track.py 中找到使用 Lucas-Kanade 光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/lk_homography.py 中找到使用 Lucas-Kanade 追踪器进行单应性匹配的示例

      • calcOpticalFlowFarneback

        public static void calcOpticalFlowFarneback​(Mat prev,
                                            Mat next,
                                            Mat flow,
                                            double pyr_scale,
                                            int levels,
                                            int winsize,
                                            int iterations,
                                            int poly_n,
                                            double poly_sigma,
                                            int flags)
        使用 Gunnar Farneback 算法计算稠密光流。
        参数
        prev - 第一个 8 位单通道输入图像。
        next - 第二个输入图像，与 prev 大小相同、类型相同。
        flow - 计算出的流图像，与 prev 大小相同，类型为 CV_32FC2。
        pyr_scale - 指定为每幅图像构建金字塔的图像缩放比例 (<1) 的参数；pyr_scale=0.5 表示经典金字塔，每一层比前一层缩小一倍。
        levels - 金字塔层数，包括初始图像；levels=1 表示不创建额外层，仅使用原始图像。
        winsize - 平均窗口大小；较大的值会增加算法对图像噪声的鲁棒性，并增加检测快速运动的机会，但会产生更模糊的运动场。
        iterations - 算法在每个金字塔层级进行的迭代次数。
        poly_n - 在每个像素中寻找多项式展开时使用的像素邻域大小；较大的值意味着图像将用更平滑的表面进行逼近，从而使算法更鲁棒并产生更模糊的运动场，通常 poly_n = 5 或 7。
        poly_sigma - 用于平滑导数的高斯标准差，用作多项式展开的基础；对于 poly_n=5，可以设置 poly_sigma=1.1，对于 poly_n=7，较好的值是 poly_sigma=1.5。
        flags - 操作标志，可以是以下内容的组合
        • OPTFLOW_USE_INITIAL_FLOW 使用输入流作为初始流近似值。
        • OPTFLOW_FARNEBACK_GAUSSIAN 使用 \(\texttt{winsize}\times\texttt{winsize}\) 高斯滤波器代替同等大小的方框滤波器进行光流估计；通常，此选项提供的流比方框滤波器更准确，代价是速度较低；通常，高斯窗口的 winsize 应设置为较大的值，以实现相同的鲁棒性水平。
        该函数使用参考：Farneback2003 算法寻找每个 prev 像素的光流，使得 \(\texttt{prev} (y,x) \sim \texttt{next} ( y + \texttt{flow} (y,x)[1], x + \texttt{flow} (y,x)[0])\) 注意： 一些示例
        • 可以在 opencv_source_code/samples/cpp/fback.cpp 中找到使用 Gunnar Farneback 描述的光流算法的示例
        • (Python) 可以在 opencv_source_code/samples/python/opt_flow.py 中找到使用 Gunnar Farneback 描述的光流算法的示例

      • computeECC

        public static double computeECC​(Mat templateImage,
                                Mat inputImage,
                                Mat inputMask)
        计算两幅图像之间的增强相关系数 (ECC) 值。增强相关系数 (ECC) 是两幅图像之间相似性的归一化度量，参考：EP08。结果在 [-1, 1] 范围内，其中 1 表示完美相似（模仿射平移和缩放），0 表示无相关性，-1 表示完美负相关。对于单通道图像，ECC 定义为：\( \mathrm{ECC}(I, T) = \frac{\sum_{x} (I(x) - \mu_I)(T(x) - \mu_T)} {\sqrt{\sum_{x} (I(x) - \mu_I)^2} \cdot \sqrt{\sum_{x} (T(x) - \mu_T)^2}} \) 对于多通道图像（例如 3 通道 RGB），公式泛化为：\( \mathrm{ECC}(I, T) = \frac{\sum_{x} \sum_{c=1}^{C} (I_c(x) - \mu_{I_c})(T_c(x) - \mu_{T_c})} {\sqrt{\sum_{x} \sum_{c=1}^{C} (I_c(x) - \mu_{I_c})^2} \cdot \sqrt{\sum_{x} \sum_{c=1}^{C} (T_c(x) - \mu_{T_c})^2}} \) 其中
        • \(I_c(x), T_c(x)\) 是通道 \(c\) 在空间位置 \(x\) 处的值，
        • \(\mu_{I_c}, \mu_{T_c}\) 是通道 \(c\) 在遮罩区域（如果提供）上的平均值，
        • \(C\) 是通道数（目前仅支持 1 和 3），
        • 求和在图像域中的所有像素 \(x\) 上运行（可选地由遮罩限制）。
        参数
        templateImage - 输入模板图像；必须是 1 或 3 通道，类型为 CV_8U, CV_16U, CV_32F 或 CV_64F。
        inputImage - 要与模板进行比较的输入图像；必须与 templateImage 具有相同的类型和通道数。
        inputMask - 可选的单通道掩码，用于指定 inputImage 和 templateImage 中的有效感兴趣区域。
        返回
        范围在 [-1, 1] 内的 ECC 相似系数。参见：findTransformECC

      • computeECC

        public static double computeECC​(Mat templateImage,
                                Mat inputImage)
        计算两幅图像之间的增强相关系数 (ECC) 值。增强相关系数 (ECC) 是两幅图像之间相似性的归一化度量，参考：EP08。结果在 [-1, 1] 范围内，其中 1 表示完美相似（模仿射平移和缩放），0 表示无相关性，-1 表示完美负相关。对于单通道图像，ECC 定义为：\( \mathrm{ECC}(I, T) = \frac{\sum_{x} (I(x) - \mu_I)(T(x) - \mu_T)} {\sqrt{\sum_{x} (I(x) - \mu_I)^2} \cdot \sqrt{\sum_{x} (T(x) - \mu_T)^2}} \) 对于多通道图像（例如 3 通道 RGB），公式泛化为：\( \mathrm{ECC}(I, T) = \frac{\sum_{x} \sum_{c=1}^{C} (I_c(x) - \mu_{I_c})(T_c(x) - \mu_{T_c})} {\sqrt{\sum_{x} \sum_{c=1}^{C} (I_c(x) - \mu_{I_c})^2} \cdot \sqrt{\sum_{x} \sum_{c=1}^{C} (T_c(x) - \mu_{T_c})^2}} \) 其中
        • \(I_c(x), T_c(x)\) 是通道 \(c\) 在空间位置 \(x\) 处的值，
        • \(\mu_{I_c}, \mu_{T_c}\) 是通道 \(c\) 在遮罩区域（如果提供）上的平均值，
        • \(C\) 是通道数（目前仅支持 1 和 3），
        • 求和在图像域中的所有像素 \(x\) 上运行（可选地由遮罩限制）。
        参数
        templateImage - 输入模板图像；必须是 1 或 3 通道，类型为 CV_8U, CV_16U, CV_32F 或 CV_64F。
        inputImage - 要与模板进行比较的输入图像；必须与 templateImage 具有相同的类型和通道数。
        返回
        范围在 [-1, 1] 内的 ECC 相似系数。参见：findTransformECC

      • findTransformECC

        public static double findTransformECC​(Mat templateImage,
                                      Mat inputImage,
                                      Mat warpMatrix,
                                      int motionType,
                                      TermCriteria criteria,
                                      Mat inputMask,
                                      int gaussFiltSize)
        根据 ECC 标准寻找两幅图像之间的几何变换（扭曲），参考：EP08。
        参数
        templateImage - 1 或 3 通道模板图像；类型为 CV_8U, CV_16U, CV_32F, CV_64F。
        inputImage - 输入图像，应使用最终的 warpMatrix 对其进行扭曲，以便提供与 templateImage 相似的图像，类型与 templateImage 相同。
        warpMatrix - 浮点型 \(2\times 3\) 或 \(3\times 3\) 映射矩阵（扭曲）。
        motionType - 参数，指定运动类型
        • MOTION_TRANSLATION 设置平移运动模型；warpMatrix 为 \(2\times 3\)，前 \(2\times 2\) 部分为单位矩阵，其余两个参数由估计得出。
        • MOTION_EUCLIDEAN 设置欧几里得（刚体）变换作为运动模型；估计三个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_AFFINE 设置仿射运动模型（默认）；估计六个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_HOMOGRAPHY 设置单应性作为运动模型；估计八个参数；\warpMatrix\ 为 \(3\times 3\)。
        criteria - 指定 ECC 算法终止条件的参数；criteria.epsilon 定义了两次迭代之间相关系数增量的阈值（负的 criteria.epsilon 使 criteria.maxcount 成为唯一的终止标准）。默认值显示在上面的声明中。
        inputMask - 可选的单通道掩码，用于指示 inputImage 的有效值。
        gaussFiltSize - 一个可选值，指示高斯模糊滤波器的尺寸；（默认值：5）该函数估计关于 ECC 标准（参考：EP08）的最优变换 (warpMatrix)，即 \(\texttt{warpMatrix} = \arg\max_{W} \texttt{ECC}(\texttt{templateImage}(x,y),\texttt{inputImage}(x',y'))\) 其中 \(\begin{bmatrix} x' \\ y' \end{bmatrix} = W \cdot \begin{bmatrix} x \\ y \\ 1 \end{bmatrix}\)（该方程对于单应性使用齐次坐标成立）。它返回最终的增强相关系数，即模板图像与最终扭曲后的输入图像之间的相关系数。当给定 \(3\times 3\) 矩阵且 motionType = 0, 1 或 2 时，第三行将被忽略。与 findHomography 和 estimateRigidTransform 不同，函数 findTransformECC 实现了一种基于强度的相似性的区域对齐。本质上，该函数更新初始变换以粗略对齐图像。如果缺少此信息，则将单位变换（单位矩阵）用作初始化。请注意，如果图像经历剧烈的位移/旋转，则需要进行初步对齐的初始变换（例如，允许图像显示大致相同图像内容的简单欧几里得/相似变换）。在第二幅图像中使用逆向扭曲来获取接近第一幅图像的图像，即在 warpAffine 或 warpPerspective 中使用标志 WARP_INVERSE_MAP。另请参见演示该函数用法的 OpenCV 示例 image_alignment.cpp。请注意，如果算法不收敛，该函数将抛出异常。参见：computeECC, estimateAffine2D, estimateAffinePartial2D, findHomography
        返回
        自动生成

      • findTransformECC

        public static double findTransformECC​(Mat templateImage,
                                      Mat inputImage,
                                      Mat warpMatrix,
                                      int motionType,
                                      TermCriteria criteria,
                                      Mat inputMask)

      • findTransformECC

        public static double findTransformECC​(Mat templateImage,
                                      Mat inputImage,
                                      Mat warpMatrix,
                                      int motionType,
                                      TermCriteria criteria)

      • findTransformECC

        public static double findTransformECC​(Mat templateImage,
                                      Mat inputImage,
                                      Mat warpMatrix,
                                      int motionType)

      • findTransformECC

        public static double findTransformECC​(Mat templateImage,
                                      Mat inputImage,
                                      Mat warpMatrix)

      • findTransformECCWithMask

        public static double findTransformECCWithMask​(Mat templateImage,
                                              Mat inputImage,
                                              Mat templateMask,
                                              Mat inputMask,
                                              Mat warpMatrix,
                                              int motionType,
                                              TermCriteria criteria,
                                              int gaussFiltSize)
        根据 ECC 标准，参考：EP08，使用模板图像和输入图像的有效性掩码，寻找两幅图像之间的几何变换（扭曲）。此函数通过为模板图像添加掩码来扩展 findTransformECC()。增强相关系数仅在两幅图像均有效的像素上进行评估：在每次迭代中，inputMask 被扭曲到模板框架中并与 templateMask 结合，只有这些掩码的交集才对目标函数有贡献。
        参数
        templateImage - 1 或 3 通道模板图像；类型为 CV_8U, CV_16U, CV_32F, CV_64F。
        inputImage - 输入图像，应使用最终的 warpMatrix 对其进行扭曲，以便提供与 templateImage 相似的图像，类型与 templateImage 相同。
        templateMask - templateImage 的单通道 8 位掩码，指示对齐中要使用的有效像素。必须与 templateImage 大小相同。
        inputMask - inputImage 的单通道 8 位掩码，指示扭曲前的有效像素。必须与 inputImage 大小相同。
        warpMatrix - 浮点型 \(2\times 3\) 或 \(3\times 3\) 映射矩阵（扭曲）。
        motionType - 参数，指定运动类型
        • MOTION_TRANSLATION 设置平移运动模型；warpMatrix 为 \(2\times 3\)，前 \(2\times 2\) 部分为单位矩阵，其余两个参数由估计得出。
        • MOTION_EUCLIDEAN 设置欧几里得（刚体）变换作为运动模型；估计三个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_AFFINE 设置仿射运动模型（默认）；估计六个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_HOMOGRAPHY 设置单应性作为运动模型；估计八个参数；warpMatrix 为 \(3\times 3\)。
        criteria - 指定 ECC 算法终止条件的参数；criteria.epsilon 定义了两次迭代之间相关系数增量的阈值（负的 criteria.epsilon 使 criteria.maxcount 成为唯一的终止标准）。默认值显示在上面的声明中。
        gaussFiltSize - 在计算对齐前用于平滑图像和掩码的高斯模糊滤波器的大小（默认值：5）。参见：findTransformECC, computeECC, estimateAffine2D, estimateAffinePartial2D, findHomography
        返回
        自动生成

      • findTransformECCWithMask

        public static double findTransformECCWithMask​(Mat templateImage,
                                              Mat inputImage,
                                              Mat templateMask,
                                              Mat inputMask,
                                              Mat warpMatrix,
                                              int motionType,
                                              TermCriteria criteria)
        根据 ECC 标准，参考：EP08，使用模板图像和输入图像的有效性掩码，寻找两幅图像之间的几何变换（扭曲）。此函数通过为模板图像添加掩码来扩展 findTransformECC()。增强相关系数仅在两幅图像均有效的像素上进行评估：在每次迭代中，inputMask 被扭曲到模板框架中并与 templateMask 结合，只有这些掩码的交集才对目标函数有贡献。
        参数
        templateImage - 1 或 3 通道模板图像；类型为 CV_8U, CV_16U, CV_32F, CV_64F。
        inputImage - 输入图像，应使用最终的 warpMatrix 对其进行扭曲，以便提供与 templateImage 相似的图像，类型与 templateImage 相同。
        templateMask - templateImage 的单通道 8 位掩码，指示对齐中要使用的有效像素。必须与 templateImage 大小相同。
        inputMask - inputImage 的单通道 8 位掩码，指示扭曲前的有效像素。必须与 inputImage 大小相同。
        warpMatrix - 浮点型 \(2\times 3\) 或 \(3\times 3\) 映射矩阵（扭曲）。
        motionType - 参数，指定运动类型
        • MOTION_TRANSLATION 设置平移运动模型；warpMatrix 为 \(2\times 3\)，前 \(2\times 2\) 部分为单位矩阵，其余两个参数由估计得出。
        • MOTION_EUCLIDEAN 设置欧几里得（刚体）变换作为运动模型；估计三个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_AFFINE 设置仿射运动模型（默认）；估计六个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_HOMOGRAPHY 设置单应性作为运动模型；估计八个参数；warpMatrix 为 \(3\times 3\)。
        criteria - 指定 ECC 算法终止条件的参数；criteria.epsilon 定义了两次迭代之间相关系数增量的阈值（负的 criteria.epsilon 使 criteria.maxcount 成为唯一的终止标准）。默认值显示在计算对齐前的上述声明中（默认值：5）。参见：findTransformECC, computeECC, estimateAffine2D, estimateAffinePartial2D, findHomography
        返回
        自动生成

      • findTransformECCWithMask

        public static double findTransformECCWithMask​(Mat templateImage,
                                              Mat inputImage,
                                              Mat templateMask,
                                              Mat inputMask,
                                              Mat warpMatrix,
                                              int motionType)
        根据 ECC 标准，参考：EP08，使用模板图像和输入图像的有效性掩码，寻找两幅图像之间的几何变换（扭曲）。此函数通过为模板图像添加掩码来扩展 findTransformECC()。增强相关系数仅在两幅图像均有效的像素上进行评估：在每次迭代中，inputMask 被扭曲到模板框架中并与 templateMask 结合，只有这些掩码的交集才对目标函数有贡献。
        参数
        templateImage - 1 或 3 通道模板图像；类型为 CV_8U, CV_16U, CV_32F, CV_64F。
        inputImage - 输入图像，应使用最终的 warpMatrix 对其进行扭曲，以便提供与 templateImage 相似的图像，类型与 templateImage 相同。
        templateMask - templateImage 的单通道 8 位掩码，指示对齐中要使用的有效像素。必须与 templateImage 大小相同。
        inputMask - inputImage 的单通道 8 位掩码，指示扭曲前的有效像素。必须与 inputImage 大小相同。
        warpMatrix - 浮点型 \(2\times 3\) 或 \(3\times 3\) 映射矩阵（扭曲）。
        motionType - 参数，指定运动类型
        • MOTION_TRANSLATION 设置平移运动模型；warpMatrix 为 \(2\times 3\)，前 \(2\times 2\) 部分为单位矩阵，其余两个参数由估计得出。
        • MOTION_EUCLIDEAN 设置欧几里得（刚体）变换作为运动模型；估计三个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_AFFINE 设置仿射运动模型（默认）；估计六个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_HOMOGRAPHY 设置单应性作为运动模型；估计八个参数；warpMatrix 为 \(3\times 3\)。
        criteria.epsilon 定义了两次迭代之间相关系数增量的阈值（负的 criteria.epsilon 使 criteria.maxcount 成为唯一的终止标准）。默认值显示在计算对齐前的上述声明中（默认值：5）。参见：findTransformECC, computeECC, estimateAffine2D, estimateAffinePartial2D, findHomography
        返回
        自动生成

      • findTransformECCWithMask

        public static double findTransformECCWithMask​(Mat templateImage,
                                              Mat inputImage,
                                              Mat templateMask,
                                              Mat inputMask,
                                              Mat warpMatrix)
        根据 ECC 标准，参考：EP08，使用模板图像和输入图像的有效性掩码，寻找两幅图像之间的几何变换（扭曲）。此函数通过为模板图像添加掩码来扩展 findTransformECC()。增强相关系数仅在两幅图像均有效的像素上进行评估：在每次迭代中，inputMask 被扭曲到模板框架中并与 templateMask 结合，只有这些掩码的交集才对目标函数有贡献。
        参数
        templateImage - 1 或 3 通道模板图像；类型为 CV_8U, CV_16U, CV_32F, CV_64F。
        inputImage - 输入图像，应使用最终的 warpMatrix 对其进行扭曲，以便提供与 templateImage 相似的图像，类型与 templateImage 相同。
        templateMask - templateImage 的单通道 8 位掩码，指示对齐中要使用的有效像素。必须与 templateImage 大小相同。
        inputMask - inputImage 的单通道 8 位掩码，指示扭曲前的有效像素。必须与 inputImage 大小相同。
        warpMatrix - 浮点型 \(2\times 3\) 或 \(3\times 3\) 映射矩阵（扭曲）。
        • MOTION_TRANSLATION 设置平移运动模型；warpMatrix 为 \(2\times 3\)，前 \(2\times 2\) 部分为单位矩阵，其余两个参数由估计得出。
        • MOTION_EUCLIDEAN 设置欧几里得（刚体）变换作为运动模型；估计三个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_AFFINE 设置仿射运动模型（默认）；估计六个参数；warpMatrix 为 \(2\times 3\)。
        • MOTION_HOMOGRAPHY 设置单应性作为运动模型；估计八个参数；warpMatrix 为 \(3\times 3\)。
        criteria.epsilon 定义了两次迭代之间相关系数增量的阈值（负的 criteria.epsilon 使 criteria.maxcount 成为唯一的终止标准）。默认值显示在计算对齐前的上述声明中（默认值：5）。参见：findTransformECC, computeECC, estimateAffine2D, estimateAffinePartial2D, findHomography
        返回
        自动生成

      • readOpticalFlow

        public static Mat readOpticalFlow​(java.lang.String path)
        读取 .flo 文件
        参数
        path - 要加载的文件路径。函数 readOpticalFlow 从文件中加载流场并将其作为单个矩阵返回。结果矩阵类型为 CV_32FC2 - 浮点型，2 通道。第一通道对应水平方向的流 (u)，第二通道对应垂直方向 (v)。
        返回
        自动生成

      • writeOpticalFlow

        public static boolean writeOpticalFlow​(java.lang.String path,
                                       Mat flow)
        将 .flo 文件写入磁盘
        参数
        path - 要写入的文件路径
        flow - 要存储的流场。函数将流场存储在文件中，成功返回 true，否则返回 false。流场必须是 2 通道、浮点型矩阵 (CV_32FC2)。第一通道对应水平方向的流 (u)，第二通道对应垂直方向 (v)。
        返回
        自动生成