Optical Flow

Il flusso ottico è il pattern di movimento apparente di oggetti, superfici e bordi in una scena visiva causato dal movimento relativo tra un osservatore e una scena. Nel campo della computer vision, questo concetto è fondamentale per comprendere le dinamiche temporali all'interno delle sequenze video. Analizzando lo spostamento dei pixel tra due fotogrammi consecutivi, gli algoritmi di flusso ottico generano un campo vettoriale in cui ciascun vettore rappresenta la direzione e l'intensità del movimento per un punto specifico. Questo indizio visivo a basso livello consente ai sistemi di artificial intelligence di percepire non solo ciò che si trova in un'immagine, ma anche come si sta muovendo, colmando il divario tra l'analisi di immagini statiche e la dinamica video understanding.

Meccanismi principali del flusso ottico#

Il calcolo del flusso ottico si basa generalmente sull'ipotesi di costanza della luminosità, che presuppone che l'intensità di un pixel su un oggetto rimanga costante da un fotogramma all'altro, anche mentre si muove. Gli algoritmi utilizzano questo principio per risolvere i vettori di movimento utilizzando due approcci principali:

• Sparse Optical Flow: Questo metodo calcola il vettore di movimento per un sottoinsieme specifico di caratteristiche distinte, come angoli o bordi, rilevate tramite feature extraction. Algoritmi come il Lucas-Kanade method sono efficienti dal punto di vista computazionale e ideali per attività di real-time inference in cui è sufficiente tracciare specifici punti di interesse.
• Dense Optical Flow: Questo approccio calcola un vettore di movimento per ogni singolo pixel nel fotogramma. Sebbene sia significativamente più intensivo dal punto di vista computazionale, fornisce una mappa di movimento completa essenziale per attività di precisione come image segmentation e l'analisi strutturale. Le moderne architetture di deep learning spesso superano i metodi matematici tradizionali nella stima del flusso denso apprendendo pattern di movimento complessi da grandi dataset.

Flusso ottico vs. Object Tracking#

Sebbene vengano spesso utilizzati in tandem, è vitale distinguere il flusso ottico dall'object tracking. Il flusso ottico è un'operazione a basso livello che descrive il movimento istantaneo dei pixel; non comprende intrinsecamente l'identità o la persistenza degli oggetti.

Al contrario, l'object tracking è un'attività ad alto livello che individua entità specifiche e assegna loro un ID coerente nel tempo. I tracker avanzati, come quelli integrati in Ultralytics YOLO26, eseguono tipicamente il object detection per trovare l'oggetto e utilizzano quindi indizi di movimento – a volte derivati dal flusso ottico – per associare i rilevamenti tra i fotogrammi. Il flusso ottico risponde alla domanda "quanto velocemente si stanno muovendo questi pixel in questo momento", mentre il tracciamento risponde alla domanda "dove è andato l'Auto n. 5?"

Applicazioni nel mondo reale#

La capacità di stimare il movimento a livello di pixel alimenta una vasta gamma di tecnologie sofisticate:

• Autonomous Vehicles e robotica: Il flusso ottico viene utilizzato per l'odometria visiva, consentendo a un robot o a un'auto di stimare il proprio movimento rispetto all'ambiente. Aiuta anche nella depth estimation e nell'evitamento degli ostacoli analizzando la rapidità con cui gli oggetti nel campo visivo si stanno espandendo o muovendo.
• Video Stabilization: Le telecamere e i software di editing utilizzano i vettori di flusso per rilevare le vibrazioni involontarie della telecamera. Compensando questo movimento globale, i sistemi possono stabilizzare digitalmente le riprese. Questa è una funzionalità standard nei moderni consumer electronics come smartphone e action camera.
• Action Recognition: Nell'analisi sportiva e nella sicurezza, l'analisi del flusso temporale dei pixel aiuta i sistemi a identificare azioni umane complesse. Ad esempio, i modelli di pose estimation possono essere integrati con i dati di flusso per distinguere tra una persona che cammina e una che corre in base alla velocità del movimento degli arti.
• Video Compression: Standard come MPEG video coding si affidano pesantemente alla stima del movimento. Invece di memorizzare ogni fotogramma completo, il codec memorizza il flusso ottico (vettori di movimento) e la differenza (residua) tra i fotogrammi, riducendo significativamente le dimensioni dei file per lo streaming e l'archiviazione.

Esempio di Implementazione#

Il seguente esempio dimostra come calcolare il flusso ottico denso utilizzando la OpenCV library, uno strumento standard nell'ecosistema della computer vision. Questo snippet utilizza l'algoritmo di Farneback per generare una mappa di flusso tra due fotogrammi consecutivi.

import cv2
import numpy as np

# Simulate two consecutive frames (replace with actual image paths)
frame1 = np.zeros((100, 100, 3), dtype=np.uint8)
frame2 = np.zeros((100, 100, 3), dtype=np.uint8)
cv2.rectangle(frame1, (20, 20), (40, 40), (255, 255, 255), -1)  # Object at pos 1
cv2.rectangle(frame2, (25, 25), (45, 45), (255, 255, 255), -1)  # Object moved

# Convert to grayscale for flow calculation
prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)

# Calculate dense optical flow
flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 15, 3, 5, 1.2, 0)

# Compute magnitude and angle of 2D vectors
mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])

print(f"Max motion detected: {np.max(mag):.2f} pixels")

Per le applicazioni di alto livello che richiedono la persistenza degli oggetti piuttosto che il movimento grezzo dei pixel, gli utenti dovrebbero considerare le modalità di tracciamento disponibili in Ultralytics YOLO11 e YOLO26. Questi modelli astraggono la complessità dell'analisi del movimento, fornendo ID di oggetti robusti e traiettorie pronte all'uso per attività che vanno dal monitoraggio del traffico alla retail analytics.