Optik Akış

Optik akış, bir gözlemci (kamera gibi) ve sahne arasındaki göreli hareketin neden olduğu bir görsel sahnedeki nesnelerin, yüzeylerin ve kenarların hareketini tahmin etmeyi içeren bilgisayarlı görüde (CV) temel bir kavramdır. İki ardışık video karesi arasındaki piksellerin veya özelliklerin hareket yönünü ve hızını açıklayan bir vektör alanı hesaplar. Bu, birçok dinamik sahne analizi görevi için temel olan "şeylerin nasıl" hareket ettiğine dair ayrıntılı, düşük seviyeli bir anlayış sağlar.

Optik Akış Nasıl Çalışır

Çoğu optik akış algoritmasının temelindeki merkezi varsayım, bir nesne üzerindeki belirli bir noktaya karşılık gelen bir pikselin yoğunluğunun kısa zaman aralıklarında sabit kaldığını varsayan "parlaklık değişmezliğidir". Algoritmalar, bu parlaklığı koruyan yer değiştirmeyi bularak hareketi tahmin edebilir. Optik akışı hesaplamak için iki ana yaklaşım vardır:

• Yoğun Optik Akış: Bu yöntem, görüntüdeki her bir piksel için bir hareket vektörü hesaplar. Görüntü segmentasyonu ve karmaşık sahne dinamiklerini anlamak gibi görevler için yararlı olan oldukça ayrıntılı bir hareket alanı sağlar. Horn-Schunck yöntemi klasik bir örnektir, derin öğrenme modelleri gibi modern RAFT ise son teknoloji performans sunar.
• Seyrek Optik Akış: Bu yöntem, her pikseli analiz etmek yerine, çerçeveler arasında "ilginç" özelliklerin (köşeler veya anahtar noktalar gibi) seyrek bir kümesini izler. Lucas-Kanade yöntemi, iyi bilinen bir seyrek algoritmadır. Bu yaklaşım, yalnızca belirli noktaların hareketine ihtiyaç duyulan uygulamalar için daha hesaplama açısından verimlidir ve uygundur; örneğin nesne takibi gibi.

Optik Akış - Nesne İzleme Karşılaştırması

İlgili olmakla birlikte, optik akış ve nesne takibi farklı sorunları çözer.

• Optik Akış piksellerin düşük seviyeli hareketini tanımlar. Çıktısı, iki çerçeve arasındaki hareketi temsil eden bir vektör kümesidir. Doğası gereği bir "nesne" kavramını anlamaz veya kimliğini zaman içinde korumaz.
• Nesne Takibi belirli bir nesneyi bulmaya ve birden fazla kare boyunca yolunu takip ederek ona tutarlı bir kimlik atamaya odaklanan daha üst düzey bir görevdir. İzleme algoritmaları, Ultralytics YOLO modeli gibi bir nesne algılama modeli tarafından tanımlandıktan sonra bir nesnenin bir sonraki karedeki konumunu tahmin etmek için genellikle optik akış gibi teknikleri bir girdi olarak kullanır. Bunu Ultralytics'in nesne izleme modunda çalışırken görebilirsiniz.

Kısacası, optik akış "Pikseller nasıl hareket ediyor?" sorusunu yanıtlarken, nesne takibi "O araba nereye gitti?" sorusunu yanıtlar.

Gerçek Dünya Uygulamaları

Optik akış, videodan hareketi anlamayı gerektiren birçok uygulama için çok önemlidir:

• Otonom Sistemler: Otonom araçlar ve robotlar, görsel odometri (kendi hareketini tahmin etme), engel algılama ve çevrelerindeki nesnelerin göreli hareketini anlama için optik akışı kullanır. Örneğin, kendi kendine giden bir arabanın yola göre hızını tahmin etmesine veya yakındaki araçları izlemesine yardımcı olur. Waymo gibi şirketler, hareket algılamaya büyük ölçüde güvenirler. Daha fazla bağlam için kendi kendine giden arabalarda yapay zekâyı keşfedin.
• Video Sıkıştırma: MPEG gibi standartlar, sonraki kareleri öncekilere göre tahmin etmek için optik akışa benzer hareket tahmini teknikleri kullanır. Yalnızca hareket vektörlerini ve tahmin hatalarını (artıkları) kodlayarak önemli ölçüde veri sıkıştırması elde edilir.
• Eylem Tanıma: Videolardaki insan eylemlerini anlamak, poz tahmininin önemli bir parçasıdır ve genellikle optik akıştan elde edilen hareket kalıplarını analiz etmeyi içerir. Bu, spor analitiği ve akıllı fitness teknolojisi uygulamaları için kritik öneme sahiptir.
• Video Sabitleme: Dijital görüntü sabitleme teknikleri, kamera sarsıntısını tahmin etmek ve telafi etmek için optik akışı kullanarak daha pürüzsüz videolar elde edilmesini sağlayabilir. Bu teknoloji, modern akıllı telefonlarda ve kameralarda yaygın olarak bulunur.
• Tıbbi Görüntü Analizi: Ekokardiyogramlarda kalp kasının hareketi veya prosedürler sırasında organ deformasyonu gibi doku hareketlerini izlemek için kullanılır. Dergi gibi kaynaklara bakın Radyoloji: Yapay Zeka ilgili gelişmeler için.
• Robotik: Robotların çevrelerindeki hareket hakkında görsel geri bildirime dayalı olarak gezinmelerini, nesnelerle etkileşime girmelerini ve görevleri yerine getirmelerini sağlar. ROS gibi sistemlerle entegrasyon genellikle hareket analizini içerir.

Araçlar ve Uygulama

OpenCV gibi kütüphaneler klasik optik akış algoritmalarının uygulamalarını sağlar ve belgeleri ayrıntılı OpenCV Optik Akış Öğreticileri içerir. Derin öğrenme yaklaşımları için PyTorch ( PyTorch resmi sitesini ziyaret edin) ve TensorFlow ( TensorFlow resmi sitesini ziyaret edin) gibi çerçeveler yaygın olarak kullanılır ve genellikle Hugging Face gibi platformlarda bulunan önceden eğitilmiş modellerden yararlanılır. Bu modellerin eğitilmesi için FlyingThings3D veya Sintel veri kümeleri gibi temel akış bilgilerine sahip büyük ölçekli video veri kümeleri gerekir. Ultralytics HUB gibi platformlar, ilgili bilgisayarla görme görevleri için veri kümelerinin ve model eğitim iş akışlarının yönetilmesine yardımcı olabilir.