Optical Flow

Optical flow là mô hình chuyển động rõ rệt của các đối tượng, bề mặt và cạnh trong một cảnh quay trực quan, được gây ra bởi chuyển động tương đối giữa người quan sát và cảnh đó. Trong lĩnh vực computer vision, khái niệm này là cơ bản để hiểu các động lực học theo thời gian trong các chuỗi video. Bằng cách phân tích sự dịch chuyển của các pixel giữa hai khung hình liên tiếp, các thuật toán optical flow tạo ra một trường vector nơi mỗi vector đại diện cho hướng và cường độ di chuyển của một điểm cụ thể. Tín hiệu trực quan cấp thấp này cho phép các hệ thống artificial intelligence không chỉ nhận thức được nội dung trong một hình ảnh, mà còn cả cách nó đang di chuyển, thu hẹp khoảng cách giữa phân tích hình ảnh tĩnh và video understanding.

Link to this sectionCác cơ chế cốt lõi của Optical Flow#

Việc tính toán optical flow thường dựa trên giả định về sự không đổi của độ sáng, cho rằng cường độ của một pixel trên một đối tượng vẫn giữ nguyên từ khung hình này sang khung hình tiếp theo, ngay cả khi nó di chuyển. Các thuật toán tận dụng nguyên tắc này để giải quyết các vector chuyển động bằng cách sử dụng hai phương pháp chính:

• Sparse Optical Flow: Phương pháp này tính toán vector chuyển động cho một tập hợp con cụ thể các đặc trưng riêng biệt, chẳng hạn như góc hoặc cạnh, được phát hiện thông qua feature extraction. Các thuật toán như Lucas-Kanade method có hiệu suất tính toán cao và lý tưởng cho các tác vụ real-time inference nơi việc theo dõi các điểm quan tâm cụ thể là đủ.
• Dense Optical Flow: Phương pháp này tính toán vector chuyển động cho từng pixel trong khung hình. Mặc dù tốn kém về mặt tính toán hơn đáng kể, nó cung cấp một bản đồ chuyển động toàn diện, rất cần thiết cho các tác vụ chi tiết như image segmentation và phân tích cấu trúc. Các kiến trúc deep learning hiện đại thường vượt trội hơn các phương pháp toán học truyền thống trong việc ước tính dense flow bằng cách học các mô hình chuyển động phức tạp từ các tập dữ liệu lớn.

Link to this sectionSo sánh Optical Flow và Object Tracking#

Mặc dù thường được sử dụng cùng nhau, việc phân biệt optical flow với object tracking là rất quan trọng. Optical flow là một thao tác cấp thấp mô tả chuyển động tức thời của pixel; nó không tự nhận diện được danh tính hoặc sự duy trì của đối tượng.

Ngược lại, object tracking là một tác vụ cấp cao giúp định vị các thực thể cụ thể và gán cho chúng một ID nhất quán theo thời gian. Các trình theo dõi tiên tiến, chẳng hạn như những trình được tích hợp vào Ultralytics YOLO26, thường thực hiện object detection để tìm đối tượng và sau đó sử dụng các tín hiệu chuyển động—đôi khi bắt nguồn từ optical flow—để liên kết các kết quả phát hiện giữa các khung hình. Optical flow trả lời cho câu hỏi "các pixel này đang di chuyển nhanh như thế nào ngay lúc này?", trong khi tracking trả lời cho câu hỏi "Xe số 5 đã đi đâu?"

Link to this sectionCác ứng dụng trong thực tế#

Khả năng ước tính chuyển động ở cấp độ pixel thúc đẩy một loạt các công nghệ tinh vi:

• Autonomous Vehicles và Robotics: Optical flow được sử dụng cho phép đo thị giác (visual odometry), cho phép robot hoặc xe hơi ước tính chuyển động của chính nó so với môi trường xung quanh. Nó cũng hỗ trợ depth estimation và tránh vật cản bằng cách phân tích tốc độ các đối tượng trong trường nhìn đang mở rộng hoặc di chuyển.
• Video Stabilization: Các máy ảnh và phần mềm chỉnh sửa sử dụng vector dòng chảy để phát hiện hiện tượng rung máy không mong muốn. Bằng cách bù đắp cho chuyển động toàn cục này, các hệ thống có thể ổn định hình ảnh một cách kỹ thuật số. Đây là một tính năng tiêu chuẩn trong consumer electronics hiện đại như điện thoại thông minh và camera hành động.
• Action Recognition: Trong phân tích thể thao và an ninh, việc phân tích dòng chảy thời gian của các pixel giúp các hệ thống xác định các hành động phức tạp của con người. Ví dụ, các mô hình pose estimation có thể được bổ sung dữ liệu dòng chảy để phân biệt giữa một người đang đi bộ và chạy dựa trên tốc độ chuyển động của các chi.
• Video Compression: Các tiêu chuẩn như MPEG video coding dựa nhiều vào ước tính chuyển động. Thay vì lưu trữ toàn bộ khung hình, codec lưu trữ optical flow (vector chuyển động) và sự khác biệt (phần dư) giữa các khung hình, giúp giảm đáng kể kích thước tệp cho việc phát trực tuyến và lưu trữ.

Link to this sectionVí dụ về triển khai#

Ví dụ sau đây minh họa cách tính dense optical flow bằng cách sử dụng OpenCV library, một công cụ tiêu chuẩn trong hệ sinh thái computer vision. Đoạn mã này sử dụng thuật toán Farneback để tạo bản đồ dòng chảy giữa hai khung hình liên tiếp.

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")

Đối với các ứng dụng cấp cao yêu cầu sự duy trì đối tượng thay vì chuyển động pixel thô, người dùng nên xem xét các chế độ theo dõi có sẵn trong Ultralytics YOLO11 và YOLO26. Các mô hình này trừu tượng hóa sự phức tạp của việc phân tích chuyển động, cung cấp các ID đối tượng và quỹ đạo mạnh mẽ ngay khi sử dụng cho các tác vụ từ giám sát giao thông đến retail analytics.