Optik Akış

Optik akış, bir gözlemci ile sahne arasındaki göreceli hareketin neden olduğu, görsel bir sahnedeki nesnelerin, yüzeylerin ve kenarların görünür hareket modelidir. Bilgisayar görme alanında, bu kavram video dizilerindeki zamansal dinamikleri anlamak için temel öneme sahiptir. İki ardışık kare arasındaki piksellerin yer değiştirmesini analiz ederek optik akış algoritmaları, her vektörün belirli bir noktanın hareket yönünü ve büyüklüğünü temsil ettiği bir vektör alanı oluşturur. Bu düşük seviyeli görsel ipucu, yapay zeka sistemlerinin sadece görüntüdeki nesneleri değil, bunların nasıl hareket ettiğini de algılamasını sağlayarak statik görüntü analizi ile dinamik video anlayışı arasındaki boşluğu doldurur.

Optik Akışın Temel Mekanizmaları

Optik akışın hesaplanması genellikle parlaklık sabitliği varsayımına dayanır. Bu varsayım, bir nesne üzerindeki pikselin yoğunluğunun, hareket etse bile bir kareden diğerine sabit kaldığını varsayar. Algoritmalar, bu prensibi kullanarak iki temel yaklaşımla hareket vektörlerini çözer:

• Seyrek Optik Akış: Bu yöntem, özellik çıkarma yoluyla tespit edilen köşeler veya kenarlar gibi belirli bir alt küme için hareket vektörünü hesaplar. Lucas-Kanade yöntemi gibi algoritmalar hesaplama açısından verimlidir ve belirli ilgi noktalarının izlenmesi yeterli olan gerçek zamanlı çıkarım görevleri için idealdir.
• Yoğun Optik Akış: Bu yaklaşım, karedeki her bir piksel için bir hareket vektörü hesaplar. Hesaplama açısından önemli ölçüde daha yoğun olmasına rağmen, görüntü segmentasyonu ve yapısal analiz gibi ince ayrıntılı görevler için gerekli olan kapsamlı bir hareket haritası sağlar. Modern derin öğrenme mimarileri, genellikle büyük veri kümelerinden karmaşık hareket modellerini öğrenerek, yoğun akış tahmininde geleneksel matematiksel yöntemlerden daha iyi performans gösterir.

Optik Akış - Nesne İzleme Karşılaştırması

Genellikle birlikte kullanılmasına rağmen, optik akışı nesne izlemeyle ayırmak çok önemlidir. Optik akış, anlık piksel hareketini tanımlayan düşük seviyeli bir işlemdir; nesnenin kimliğini veya kalıcılığını doğası gereği anlamaz.

Buna karşılık, nesne izleme, belirli varlıkları bulup onlara zaman içinde tutarlı bir kimlik atayan üst düzey bir görevdir. Ultralytics entegre edilenler gibi gelişmiş izleyiciler, genellikle nesneyi bulmak için nesne algılama gerçekleştirir ve ardından bazen optik akıştan elde edilen hareket ipuçlarını kullanarak kareler arasında algılamaları ilişkilendirir. Optik akış "bu pikseller şu anda ne kadar hızlı hareket ediyor" sorusuna cevap verirken, izleme "5 numaralı araba nereye gitti" sorusuna cevap verir.

Gerçek Dünya Uygulamaları

Piksel düzeyinde hareketi tahmin etme yeteneği, çok çeşitli sofistike teknolojilere güç sağlar:

• Otonom Araçlar ve Robotik: Optik akış, görsel odometri için kullanılır ve bir robotun veya arabanın kendi hareketini çevreye göre tahmin etmesini sağlar. Ayrıca, görsel alandaki nesnelerin ne kadar hızlı genişlediğini veya hareket ettiğini analiz ederek derinlik tahmini ve engellerden kaçınmaya da yardımcı olur. Robotik, robotların hareket etmesini, nesneleri tutmasını, nesneleri hareket ettirmesini, nesneleri algılamasını, nesneleri tanımlamasını, nesneleri sınıflandırmasını, nesneleri kontrol etmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nesneleri yönlendirmesini, nes
• Video Stabilizasyonu: Kameralar ve düzenleme yazılımları, detect kamera titremelerini detect için akış vektörleri kullanır. Bu genel hareketi telafi ederek, sistemler görüntüleri dijital olarak stabilize edebilir. Bu, akıllı telefonlar ve aksiyon kameraları gibi modern tüketici elektroniği ürünlerinde standart bir özelliktir. .
• Eylem Tanıma: Spor analitiği ve güvenliğinde, piksellerin zamansal akışını analiz etmek, sistemlerin karmaşık insan eylemlerini tanımlamasına yardımcı olur. Örneğin , poz tahmin modelleri, uzuv hareketlerinin hızına göre yürüyen bir kişiyi koşan bir kişiden ayırt etmek için akış verileriyle güçlendirilebilir.
• Video Sıkıştırma: MPEG video kodlama gibi standartlar büyük ölçüde hareket tahminine dayanır. Kodek, her tam kareyi depolamak yerine, optik akışı (hareket vektörleri) ve kareler arasındaki farkı (artık) depolar, böylece akış ve depolama için dosya boyutlarını önemli ölçüde azaltır.

Uygulama Örneği

Aşağıdaki örnek, bilgisayar görme ekosisteminde standart bir araç olan OpenCV kullanarak yoğun optik akışı hesaplamayı göstermektedir. Bu kod parçacığı, Farneback algoritmasını kullanarak iki ardışık kare arasında bir akış haritası oluşturur.

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, kullanıcılar Ultralytics'te Ultralytics YOLO11 ve YOLO26'da bulunan izleme modlarını dikkate almalıdır. Bu modeller, hareket analizinin karmaşıklığını soyutlayarak, trafik izlemeden perakende analizine kadar çeşitli görevler için kullanıma hazır sağlam nesne kimlikleri ve yörüngeler sağlar.