Optical Flow

Optik akış, bir gözlemci ile sahne arasındaki göreli hareketten kaynaklanan görsel bir sahnedeki nesnelerin, yüzeylerin ve kenarların görünür hareket düzenidir. Computer vision alanında bu kavram, video dizilerindeki zamansal dinamikleri anlamak için esastır. İki ardışık kare arasındaki piksellerin yer değiştirmesini analiz eden optik akış algoritmaları, her bir vektörün belirli bir nokta için hareketin yönünü ve büyüklüğünü temsil ettiği bir vektör alanı oluşturur. Bu düşük seviyeli görsel ipucu, artificial intelligence sistemlerinin yalnızca bir görüntüde ne olduğunu değil, nasıl hareket ettiğini de algılamasını sağlayarak statik görüntü analizi ile dinamik video understanding arasındaki boşluğu kapatır.

Optik 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:

• Sparse Optical Flow: Bu yöntem, feature extraction yoluyla tespit edilen köşeler veya kenarlar gibi belirli bir ayrı özellik alt kümesi için hareket vektörünü hesaplar. Lucas-Kanade method gibi algoritmalar hesaplama açısından verimlidir ve belirli ilgi noktalarını izlemenin yeterli olduğu real-time inference görevleri için idealdir.
• Dense Optical Flow: Bu yaklaşım, koddaki veya karedeki her bir piksel için bir hareket vektörü hesaplar. Hesaplama açısından çok daha yoğun olmasına rağmen, image segmentation ve yapısal analiz gibi ince taneli görevler için gerekli olan kapsamlı bir hareket haritası sağlar. Modern deep learning mimarileri, büyük veri kümelerinden karmaşık hareket kalıplarını öğrenerek yoğun akış tahmininde genellikle geleneksel matematiksel yöntemlerden daha iyi performans gösterir.

Optik Akış ve Nesne Takibi#

Genellikle birlikte kullanılsa da, optik akışı object tracking ile ayırt etmek hayati önem taşır. Optik akış, anlık piksel hareketini tanımlayan düşük seviyeli bir işlemdir; nesne kimliğini veya kalıcılığını doğası gereği anlamaz.

Buna karşılık, nesne takibi, belirli varlıkları bulan ve zaman içinde bunlara tutarlı bir kimlik atayan üst düzey bir görevdir. Ultralytics YOLO26 içine entegre edilmiş olanlar gibi gelişmiş izleyiciler, genellikle nesneyi bulmak için object detection gerçekleştirir ve ardından kareler arasındaki algılamaları ilişkilendirmek için bazen optik akıştan türetilen hareket ipuçlarını kullanır. Optik akış "bu pikseller şu anda ne kadar hızlı hareket ediyor" sorusunu yanıtlarken, takip "5 numaralı araba nereye gitti?" sorusunu yanıtlar.

Gerçek Dünya Uygulamaları#

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

• Autonomous Vehicles ve Robotik: Optik akış, bir robotun veya arabanın çevreye göre kendi hareketini tahmin etmesine olanak tanıyan görsel odometri için kullanılır. Ayrıca görsel alandaki nesnelerin ne kadar hızla genişlediğini veya hareket ettiğini analiz ederek depth estimation ve engellerden kaçınmaya yardımcı olur.
• Video Stabilizasyonu: Kameralar ve düzenleme yazılımları, istenmeyen kamera sarsıntısını tespit etmek için akış vektörlerini kullanır. Bu küresel hareketi telafi ederek sistemler görüntüyü dijital olarak sabitleyebilir. Bu, akıllı telefonlar ve aksiyon kameraları gibi modern consumer electronics ürünlerinde standart bir özelliktir.
• Action Recognition: Spor analitiği ve güvenlikte, piksellerin zamansal akışını analiz etmek sistemlerin karmaşık insan eylemlerini tanımlamasına yardımcı olur. Örneğin, pose estimation modelleri, uzuv hareketinin hızına bağlı olarak bir kişinin yürümesi ile koşması arasında ayrım yapmak için akış verileriyle zenginleştirilebilir.
• Video Sıkıştırma: MPEG video coding gibi standartlar büyük ölçüde hareket tahminine güvenir. Kodek, her tam kareyi depolamak yerine optik akışı (hareket vektörlerini) ve kareler arasındaki farkı (artığı) depolayarak akış ve depolama için dosya boyutlarını önemli ölçüde azaltır.

Uygulama Örneği#

Aşağıdaki örnek, bilgisayarla görü ekosisteminde standart bir araç olan OpenCV library kullanılarak yoğun optik akışın nasıl hesaplanacağını göstermektedir. Bu kod parçacığı, iki ardışık 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 hareketi yerine nesne kalıcılığı gerektiren üst düzey uygulamalar için Ultralytics YOLO11 ve YOLO26 içindeki mevcut izleme modlarını değerlendirmelisin. Bu modeller, trafik izlemeden retail analytics uygulamalarına kadar değişen görevler için kutudan çıktığı gibi sağlam nesne kimlikleri ve yörüngeleri sağlayarak hareket analizinin karmaşıklığını soyutlar.