Optik Akış

Optik akış, temel bir kavramdır bilgisayar görüşü içeren Görsel bir sahnedeki nesnelerin, yüzeylerin ve kenarların görünür hareketinin tahmin edilmesi. Bu hareket aşağıdakilere göre hesaplanır Bir gözlemci (kamera gibi) ile sahnenin kendisi arasındaki göreceli hareket. Bu sürecin sonucu bir Her vektörün bir pikselin veya özelliğin ardışık iki video karesi arasındaki yer değiştirmesini temsil ettiği vektör alanı. Bu hareket vektörlerini analiz ederek, sistemler sahne dinamiklerine ilişkin ayrıntılı, düşük seviyeli bir anlayış kazanabilir ve piksellerin zaman içinde "nasıl" hareket ettiğine dair kritik soru.

Optik Akışın Temel Mekanizmaları

Optik akışın hesaplanması tipik olarak "parlaklık sabitliği" varsayımına dayanır. Bu ilke bir nesne üzerindeki belirli bir noktanın piksel yoğunluğunun, birbirini izleyen kareler arasında sabit kaldığını varsayar. hareket eder. Algoritmalar yer değiştirmeyi track için bu varsayımı kullanır. Bunları belirlemek için iki temel yaklaşım vardır hareket alanları:

• Yoğun Optik Akış: Bu yöntem, bir görüntüdeki her bir piksel için bir hareket vektörü hesaplar. Kapsamlı bir çalışma sağlar, gibi ince taneli görevler için gerekli olan yüksek çözünürlüklü hareket haritası görüntü segmentasyonu ve video restorasyon. Hesaplama açısından yoğun olsa da, modern derin öğrenme gibi modeller RAFT (Tekrarlayan Tüm Çiftler Alan Dönüşümleri) var geleneksel matematiksel yöntemleri geride bırakarak yoğun tahminlerde son teknoloji ürünü bir performans elde etti.
• Seyrek Optik Akış: Seyrek yöntemler, görüntünün tamamını analiz etmek yerine, köşeler ya da kenar çizgileri gibi belirli bir dizi farklı özelliği track . kullanılarak tanımlanan kenarlar özellik çıkarma teknikler. Lucas-Kanade yöntemi gibi algoritmalar bu kategorinin temelini oluşturur. Çünkü daha az veri işliyorlar noktaları için seyrek yöntemler oldukça verimli ve uygundur. gerçek zamanlı çıkarım Hızın yoğunluğa göre öncelikli olduğu senaryolar.

Optik Akış - Nesne İzleme Karşılaştırması

Optik akışı aşağıdakilerden ayırt etmek önemlidir nesne takibiBir görüntü işlem hattında farklı amaçlara hizmet ettikleri için. Optik akış, görüntü akışını tanımlayan düşük seviyeli bir işlemdir. Bu piksellerin neyi temsil ettiğini anlamadan piksellerin anlık hareketi. Doğası gereği bir nesnenin zaman içindeki kimliği.

Buna karşılık, nesne izleme, belirli varlıkların yerini belirleyen ve onlara tutarlı bir kimlik atayan üst düzey bir görevdir kareler arasında. Aşağıdakiler gibi gelişmiş izleme modları Ultralytics YOLO11tipik olarak gerçekleştirir nesne algılama önce ve sonra tespitleri ilişkilendirmek için hareket ipuçlarını kullanır. Bir izleyici, konumu tahmin etmek için dahili olarak optik akış kullanabilir, İzleyicinin amacı kimlik sürekliliğidir ("Araba #4 nereye gitti?"), oysa optik akışın amacı harekettir eşleme ("Bu pikseller ne kadar hızlı hareket ediyor?").

Yapay Zekada Gerçek Dünya Uygulamaları

Optik akış, hareketle ilgili karmaşık sorunları çözmek için çeşitli endüstrilerde kullanılan çok yönlü bir araçtır.

• Otonom Sistemler ve Robotik: Bu alanda otonom araçlaroptik akış, aracın dünyaya göre kendi hareketini tahmin eden görsel odometri için kullanılır. Bu yardımcı olur Statik algılama ile gözden kaçabilecek hareketli engelleri tespit ederek daha güvenli navigasyona katkıda bulunur. Benzer şekilde, içinde robotikgibi çerçeveleri kullanarak nesneleri manipüle etmek ve dinamik ortamlarda gezinmek için akışı kullanır. ROS.
• Eylem Tanıma: Hareketin zamansal modellerini analiz etmek, yapay zeka sistemlerinin aşağıdakileri tanımasını sağlar karmaşık insan eylemleri. Örneğin, içinde akıllı fitness teknolojisi, optik akış rafine edilmesine yardımcı olabilir poz tahmini uzuvların hareketler kareler arasında sorunsuz bir şekilde takip edilerek çömelme veya tenis salıncakları gibi egzersizler tanımlanır.
• Video Sabitleme ve Sıkıştırma: Tüketici elektroniği büyük ölçüde akış tahminine dayanır. Elektronik görüntü sabitleme (EIS), kamera sarsıntısını telafi etmek için akış vektörlerini kullanır. Ayrıca, video gibi sıkıştırma standartları MPEG hareket tahminini kullan tam kareler yerine yalnızca kareler arasındaki farkları (artıklar) kodlayarak dosya boyutlarını azaltmak için Kendilerini.
• Tıbbi Görüntüleme: İçinde tibbi̇ görüntü anali̇zi̇optik akış, bir ekokardiyogramda kalbin atışı gibi dokuların deformasyonunu track için uygulanır. Bu, doktorlara organ fonksiyonunu ölçmede ve statik görüntülerde görünmeyen anomalileri tespit etmede yardımcı olur.

Uygulama Örneği

Aşağıdaki Python örneği, yoğun optik akışın nasıl hesaplanacağını göstermektedir OpenCV kütüphane. Bu, Gunnar Farneback algoritması, yoğun akış tahmini için popüler bir yöntemdir.

import cv2
import numpy as np

# Load two consecutive frames (ensure these files exist)
frame1 = cv2.imread("frame1.jpg")
frame2 = cv2.imread("frame2.jpg")

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

# Calculate dense optical flow using Farneback's algorithm
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"Flow shape: {flow.shape}")  # Output: (Height, Width, 2)
print(f"Max motion magnitude: {np.max(mag):.2f} pixels")

Hareket analizini nesne algılama ile entegre etmek isteyen kullanıcılar için, Ultralytics algılama modelleri birleştirilebilir akış algoritmaları ile sağlam analitik işlem hatları oluşturmak için. Optik akış ham hareket verilerini sağlarken, gibi üst düzey modeller YOLO11 sağlamak Bu hareketi etkili bir şekilde yorumlamak için gereken anlamsal anlayış. gibi modellere yönelik devam eden Ar-Ge çalışmaları YOLO26 mekânsal ve mekânsal olmayan Daha da hızlı uçtan uca video analizi için zamansal anlayış.