Optik Akış

Optik akış, bir gözlemci (kamera gibi) ile sahne arasındaki göreli hareketin neden olduğu görsel bir sahnedeki nesnelerin, yüzeylerin ve kenarların hareketini tahmin etmeyi içeren bilgisayarla gör mede ( CV ) temel bir kavramdır. Ardışık iki video karesi arasındaki pikseller veya özellikler için hareketin yönünü ve hızını tanımlayan 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 arkasındaki temel varsayım, bir nesne üzerindeki belirli bir noktaya karşılık gelen bir pikselin yoğunluğunun kısa zaman aralıklarında sabit kaldığını varsayan "parlaklık sabitliğidir". 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 anlama gibi görevler için yararlı olan oldukça ayrıntılı bir hareket alanı sağlar. Horn-Schunck yöntemi klasik bir örnektir, RAFT gibi modern derin öğrenme modelleri ise son teknoloji ürünü performans sunar.
• Seyrek Optik Akış: Bu yöntem, her pikseli analiz etmek yerine, kareler boyunca seyrek bir "ilginç" özellik kümesini (köşeler veya kilit noktalar gibi) izler. Lucas-Kanade yöntemi iyi bilinen bir seyrek algoritmadır. Bu yaklaşım hesaplama açısından daha verimlidir ve nesne izleme gibi yalnızca belirli noktaların hareketinin gerekli olduğu uygulamalar için çok uygundur.

Optik Akış ve Nesne Takibi

Birbirleriyle ilişkili olsalar da optik akış ve nesne takibi farklı sorunları çözmektedir.

• Optik Akış, piksellerin düşük seviyeli hareketini tanımlar. Çıktısı, iki kare arasındaki hareketi temsil eden bir dizi vektördür. Doğası gereği "nesne" kavramını anlamaz veya zaman içinde kimliğini 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?" sorusuna cevap verirken, nesne izleme "Bu araba nereye gitti?" sorusuna cevap verir.

Gerçek Dünya Uygulamaları

Optik akış, videodan hareketin anlaşılmasını gerektiren birçok uygulama için çok önemlidir:

• Otonom Sistemler: Otonom araçlar ve robotlar, görsel odometri (kendi hareketini tahmin etme), engel tespiti ve çevrelerindeki nesnelerin göreceli hareketini anlamak için optik akışı kullanır. Örneğin, sürücüsüz bir arabanın yola göre hızını tahmin etmesine veya yakındaki araçları izlemesine yardımcı olur. Waymo gibi şirketler büyük ölçüde hareket algısına güveniyor. Daha fazla içerik için sürücüsüz araçlarda yapay zekayı keşfedin.
• Video Sıkıştırma: MPEG gibi standartlar, önceki karelere dayanarak sonraki kareleri tahmin etmek için optik akışa benzer hareket tahmin tekniklerini kullanır. Yalnızca hareket vektörlerini ve tahmin hatalarını (artıklar) kodlayarak önemli veri sıkıştırması elde edilir.
• Eylem Tanıma: Poz tahmininin önemli bir parçası olan videolardaki insan eylemlerini anlamak, genellikle optik akıştan elde edilen hareket modellerini analiz etmeyi içerir. Bu, spor analitiği ve akıllı fitness teknolojisindeki uygulamalar için kritik öneme sahiptir.
• Video Sabitleme: Dijital görüntü sabitleme teknikleri, kamera sarsıntısını tahmin etmek ve telafi etmek için optik akışı kullanarak daha akıcı videolar üretebilir. Bu teknoloji modern akıllı telefonlarda ve kameralarda yaygındır.
• 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.