Optical Flow

O fluxo óptico é o padrão de movimento aparente de objetos, superfícies e contornos numa cena visual, causado pelo movimento relativo entre um observador e uma cena. No campo da visão computacional, este conceito é fundamental para compreender a dinâmica temporal em sequências de vídeo. Ao analisar o deslocamento dos píxeis entre dois fotogramas consecutivos, os algoritmos de fluxo óptico geram um campo vetorial em que cada vetor representa a direção e a magnitude do movimento de um ponto específico. Esta pista visual de baixo nível permite que os sistemas de inteligência artificial percebam não só o que está numa imagem, mas também como se está a mover, fazendo a ponte entre a análise de imagens estáticas e a compreensão de vídeo dinâmico.

Mecanismos principais do fluxo óptico#

O cálculo do fluxo óptico baseia-se geralmente no pressuposto de constância do brilho, segundo o qual a intensidade de um píxel num objeto permanece constante de um fotograma para o seguinte, mesmo quando o objeto se move. Os algoritmos utilizam este princípio para calcular vetores de movimento através de duas abordagens principais:

• Fluxo óptico esparso: Este método calcula o vetor de movimento de um subconjunto específico de características distintas, como cantos ou contornos, detetadas através da extração de características. Algoritmos como o método de Lucas-Kanade são computacionalmente eficientes e ideais para tarefas de inferência em tempo real em que é suficiente acompanhar pontos de interesse específicos.
• Fluxo óptico denso: Esta abordagem calcula um vetor de movimento para cada píxel do fotograma. Embora seja significativamente mais exigente do ponto de vista computacional, fornece um mapa de movimento abrangente, essencial para tarefas detalhadas como a segmentação de imagens e a análise estrutural. As arquiteturas modernas de aprendizagem profunda muitas vezes superam os métodos matemáticos tradicionais na estimativa de fluxo denso, aprendendo padrões de movimento complexos a partir de grandes conjuntos de dados.

Fluxo óptico vs. acompanhamento de objetos#

Embora sejam frequentemente utilizados em conjunto, é fundamental distinguir o fluxo óptico do acompanhamento de objetos. O fluxo óptico é uma operação de baixo nível que descreve o movimento instantâneo dos píxeis; não compreende inerentemente a identidade ou a persistência dos objetos.

Em contrapartida, o acompanhamento de objetos é uma tarefa de alto nível que localiza entidades específicas e lhes atribui um ID consistente ao longo do tempo. Os rastreadores avançados, como os integrados no Ultralytics YOLO26, normalmente executam a deteção de objetos para encontrar o objeto e, em seguida, utilizam pistas de movimento — por vezes derivadas do fluxo óptico — para associar as deteções entre fotogramas. O fluxo óptico responde a "a que velocidade estes píxeis se estão a mover agora?", enquanto o acompanhamento responde a "para onde foi o Carro n.º 5?"

Aplicações no mundo real#

A capacidade de estimar o movimento ao nível dos píxeis permite uma vasta gama de tecnologias sofisticadas:

• Veículos autónomos e robótica: O fluxo óptico é utilizado para a odometria visual, permitindo que um robô ou carro estime o seu próprio movimento em relação ao ambiente. Também auxilia na estimativa de profundidade e na prevenção de obstáculos, analisando a rapidez com que os objetos no campo visual se expandem ou se movem.
• Estabilização de vídeo: As câmaras e os programas de edição utilizam vetores de fluxo para detetar movimentos involuntários da câmara. Ao compensar este movimento global, os sistemas conseguem estabilizar digitalmente as imagens. Esta é uma funcionalidade padrão nos modernos dispositivos eletrónicos de consumo, como smartphones e câmaras de ação.
• Reconhecimento de ações: Na análise desportiva e na segurança, a análise do fluxo temporal dos píxeis ajuda os sistemas a identificar ações humanas complexas. Por exemplo, os modelos de estimativa de pose podem ser complementados com dados de fluxo para distinguir uma pessoa a caminhar de uma pessoa a correr, com base na velocidade do movimento dos membros.
• Compressão de vídeo: Normas como a codificação de vídeo MPEG dependem fortemente da estimativa de movimento. Em vez de armazenar cada fotograma completo, o codec armazena o fluxo óptico (vetores de movimento) e a diferença (resíduo) entre fotogramas, reduzindo significativamente o tamanho dos ficheiros para transmissão e armazenamento.

Exemplo de Implementação#

O exemplo seguinte demonstra como calcular o fluxo óptico denso utilizando a biblioteca OpenCV, uma ferramenta padrão no ecossistema de visão computacional. Este excerto utiliza o algoritmo de Farneback para gerar um mapa de fluxo entre dois fotogramas consecutivos.

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")

Para aplicações de alto nível que exigem a persistência dos objetos em vez do movimento bruto dos píxeis, os utilizadores devem considerar os modos de acompanhamento disponíveis no Ultralytics YOLO11 e no YOLO26. Estes modelos abstraem a complexidade da análise de movimento, fornecendo IDs e trajetórias robustos dos objetos desde o início para tarefas que vão desde a monitorização do tráfego até à análise de retalho.