MAPA DE FLUXO ÓPTICO GERADO A

PARTIR DE DUAS IMAGENS

1. INTRODUÇÃO

Dentre algumas técnicas que estimam o movimento dada uma sequência de imagens, o
chamado Optical Flow (Fluxo Óptico) é uma importante técnica. Ou seja, dado um conjunto
de imagens, seu fluxo óptico pode ser entendido como a distribuição da  velocidade aparente
do movimento dos padrões de  intensidade, tomando as imagens em sequência. Dessa forma,
a variação de fluxo óptico surge a partir de um movimento relativo de objetos e outros
elementos de imagem, e proporciona informações importantes sobre a cena visualizada e sua
respectiva taxa de mudança.
Um dos principais métodos para calcular o fluxo óptico é o proposto por Bruce D.
Lucas e Takep Kanade, mais popularmente conhecido por Lucas-Kenade. Onde este método
assume o fluxo sendo constante na vizinhança do pixel a ser calculado e utiliza o critério dos
mínimos quadrados para obter uma solução para um sistema de equação. Que atua juntamente
com um filtro gaussiano que tem por objetivo reduzir os ruídos presentes na imagem.

2. FUNDAMENTOS TEÓRICOS
2.1. Método de Mucas-Kanade

É um método não-iterativo que assume um fluxo óptico constante local (Vx, Vy) em
pequenas janelas de tamanhos m x m e com m>1, sendo o mesmo centrado nestas janelas.
Através da numeração dos pixels de 1...n, podemos encontrar o seguinte conjunto de equações
 

.
Dessa forma, como existem mais equações que incógnitas, o sistema passa a ser sobre-
determinado. Em notação matricial, temos:
 
  

 
 

 
            Para resolver esse sistema sobre-determinado, podemos utilizar o método dos mínimos
quadrados
 
 ou 
O que implica em
 
 

            sendo i=1,...n.
 
O método Lucas-Kanade é considerado razoavelmente robusto na presença de ruídos,
mas a malha de pontos do campo de velocidade não é tão densa quanto o esperado na presente
aplicação.

2.2. Filtro Gaussiano

Também conhecido como ruído Gaussiano, é um ruído estatístico cuja função

densidade de probabilidade é igual a da distribuição normal, que é também conhecida como
distribuição gaussiana.

3. IMPLEMENTAÇÃO

A seguir, o algoritmo implementado na linguagem escolhida, que foi python, onde

mostra o fluxo óptico das imagens utilizadas como exemplo. E junto a elas, segue o mapa de
fluxo óptico resultante.
3.1. Imagens utilizadas como exemplos a serem utilizadas no algoritmo
a) Exemplo 01

b) Exemplo 02
c) Exemplo 03

d) Exemplo 04
e) Exemplo 05

f) Exemplo 06

g) Exemplo 07
h) Exemplo 08
i) Exemplo 09