Optical Flow

Il flusso ottico è lo schema del 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 ogni vettore rappresenta la direzione e l'intensità del movimento per un punto specifico. Questo segnale visivo di basso livello consente ai sistemi di artificial intelligence di percepire non solo cosa c'è in un'immagine, ma come si sta muovendo, colmando il divario tra l'analisi statica dell'immagine e la video understanding dinamica.

Link to this sectionMeccanismi 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 computazionalmente efficienti 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 notevolmente più intenso dal punto di vista computazionale, fornisce una mappa di movimento completa essenziale per attività dettagliate come l'image segmentation e l'analisi strutturale. Le moderne architetture di deep learning spesso superano i metodi matematici tradizionali nella stima del flusso denso, apprendendo complessi schemi di movimento da grandi set di dati.

Link to this sectionFlusso ottico vs. Object Tracking#

Sebbene vengano spesso utilizzati insieme, è fondamentale distinguere il flusso ottico dall'object tracking. Il flusso ottico è un'operazione di basso livello che descrive il movimento istantaneo dei pixel; non comprende intrinsecamente l'identità o la persistenza dell'oggetto.

Al contrario, l'object tracking è un'attività di alto livello che localizza entità specifiche e assegna loro un ID coerente nel tempo. I tracker avanzati, come quelli integrati in Ultralytics YOLO26, solitamente eseguono l'object detection per trovare l'oggetto e poi utilizzano segnali 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 tracking risponde a "dove è andata l'Auto n. 5?"

Link to this sectionApplicazioni 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. Assiste inoltre nella depth estimation e nell'evitamento degli ostacoli analizzando la velocità con cui gli oggetti nel campo visivo si espandono o si muovono.
• Stabilizzazione Video: Le fotocamere e il software di editing utilizzano i vettori di flusso per rilevare le vibrazioni involontarie della fotocamera. Compensando questo movimento globale, i sistemi possono stabilizzare digitalmente i filmati. Questa è una funzione 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 dati di flusso per distinguere tra una persona che cammina e una che corre in base alla velocità del movimento degli arti.
• Compressione Video: 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 (residuo) tra i fotogrammi, riducendo significativamente le dimensioni dei file per lo streaming e l'archiviazione.

Link to this sectionEsempio di Implementazione#

Il seguente esempio mostra come calcolare il flusso ottico denso utilizzando la OpenCV library, uno strumento standard nell'ecosistema della computer vision. Questo frammento di codice 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 applicazioni di alto livello che richiedono la persistenza degli oggetti piuttosto che il movimento grezzo dei pixel, dovresti considerare le modalità di tracking disponibili in Ultralytics YOLO11 e YOLO26. Questi modelli astraggono la complessità dell'analisi del movimento, fornendo ID oggetto e traiettorie robusti pronti all'uso per attività che spaziano dal monitoraggio del traffico al retail analytics.