Optical Flow

Optik akış, görsel bir sahnede gözlemci ile sahne arasındaki göreceli hareketin neden olduğu nesnelerin, yüzeylerin ve kenarların görünür hareket düzenidir. Bilgisayarlı görü alanında bu kavram, video dizilerindeki zamansal dinamikleri anlamak için temeldir. Optik akış algoritmaları, ardışık iki kare arasındaki piksellerin yer değiştirmesini analiz ederek, her vektörün belirli bir nokta için hareketin yönünü ve büyüklüğünü temsil ettiği bir vektör alanı oluşturur. Bu düşük seviyeli görsel ipucu, yapay zeka sistemlerinin sadece görüntüde ne olduğunu değil, aynı zamanda nasıl hareket ettiğini algılamasını sağlayarak statik görüntü analizi ile dinamik video anlama arasındaki boşluğu doldurur.

Link to this sectionOptik Akışın Temel Mekanizmaları#

Optik akışın hesaplanması genellikle, bir nesne üzerindeki bir pikselin yoğunluğunun hareket etse bile bir kareden diğerine sabit kaldığını varsayan parlaklık değişmezliği varsayımına dayanır. Algoritmalar, hareket vektörlerini çözmek için bu ilkeyi iki temel yaklaşımla kullanır:

• Seyrek Optik Akış: Bu yöntem, özellik çıkarımı yoluyla algılanan köşeler veya kenarlar gibi belirgin özelliklerin belirli bir alt kümesi için hareket vektörünü hesaplar. Lucas-Kanade yöntemi gibi algoritmalar hesaplama açısından verimlidir ve belirli ilgi noktalarını takip etmenin yeterli olduğu gerçek zamanlı çıkarım görevleri için idealdir.
• Yoğun Optik Akış: Bu yaklaşım, karedeki her bir piksel için bir hareket vektörü hesaplar. Hesaplama açısından çok daha yoğun olsa da, görüntü segmentasyonu ve yapısal analiz gibi hassas görevler için gerekli olan kapsamlı bir hareket haritası sağlar. Modern derin öğrenme mimarileri, büyük veri kümelerinden karmaşık hareket modellerini öğrenerek yoğun akış tahmininde genellikle geleneksel matematiksel yöntemlerden daha iyi performans gösterir.

Link to this sectionOptik Akış ve Nesne Takibi#

Sıklıkla birlikte kullanılsa da, optik akışı nesne takibinden ayırmak hayati önem taşır. Optik akış, anlık piksel hareketini tanımlayan düşük seviyeli bir işlemdir; nesne kimliğini veya kalıcılığını doğal olarak anlamaz.

Buna karşılık nesne takibi, belirli varlıkları bulan ve zaman içinde onlara tutarlı bir kimlik atayan yüksek seviyeli bir görevdir. Ultralytics YOLO26 içine entegre edilenler gibi gelişmiş takipçiler, genellikle nesneyi bulmak için nesne tespiti yapar ve ardından bazen optik akıştan türetilen hareket ipuçlarını kullanarak tespitleri kareler arasında ilişkilendirir. Optik akış "bu pikseller şu anda ne kadar hızlı hareket ediyor?" sorusunu yanıtlarken, takip "Araba #5 nereye gitti?" sorusunu yanıtlar.

Link to this sectionGerçek Dünya Uygulamaları#

Piksel düzeyinde hareket tahmin etme yeteneği, çok çeşitli gelişmiş teknolojilere güç sağlar:

• Otonom Araçlar ve Robotik: Optik akış, bir robotun veya aracın çevresine göre kendi hareketini tahmin etmesini sağlayan görsel odometri için kullanılır. Ayrıca, görüş alanındaki nesnelerin ne kadar hızlı genişlediğini veya hareket ettiğini analiz ederek derinlik tahmini ve engellerden kaçınma konusunda yardımcı olur.
• Video Sabitleme: Kameralar ve düzenleme yazılımları, istenmeyen kamera sarsıntısını algılamak için akış vektörlerini kullanır. Sistemler, bu küresel hareketi telafi ederek görüntüleri dijital olarak sabitleyebilir. Bu, akıllı telefonlar ve aksiyon kameraları gibi modern tüketici elektroniği cihazlarında standart bir özelliktir.
• Eylem Tanıma: Spor analitiği ve güvenlikte, piksellerin zamansal akışını analiz etmek, sistemlerin karmaşık insan eylemlerini tanımlamasına yardımcı olur. Örneğin, poz tahmini modelleri, uzuv hareket hızına dayanarak bir kişinin yürümesi ile koşması arasındaki farkı ayırt etmek için akış verileriyle güçlendirilebilir.
• Video Sıkıştırma: MPEG video kodlama gibi standartlar, hareket tahminine büyük ölçüde güvenir. Kodek, her tam kareyi depolamak yerine optik akışı (hareket vektörleri) ve kareler arasındaki farkı (kalıntı) depolar, bu da yayın ve depolama için dosya boyutlarını önemli ölçüde azaltır.

Link to this sectionUygulama Örneği#

Aşağıdaki örnek, bilgisayarlı görü ekosisteminde standart bir araç olan OpenCV kütüphanesini kullanarak yoğun optik akışın nasıl hesaplanacağını göstermektedir. Bu kod parçacığı, ardışık iki kare arasında bir akış haritası oluşturmak için Farneback algoritmasını kullanır.

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")

Ham piksel hareketinden ziyade nesne kalıcılığı gerektiren üst düzey uygulamalar için, kullanıcılar Ultralytics YOLO11 ve YOLO26 modellerinde bulunan takip modlarını değerlendirmelidir. Bu modeller, hareket analizinin karmaşıklığını soyutlayarak trafik izlemeden perakende analitiğine kadar uzanan görevler için kullanıma hazır sağlam nesne kimlikleri ve yörüngeler sağlar.