2025《可应用于导航的光流算法概述》1500字.docxVIP

可应用于导航的光流算法概述

导航系统的正常运行依赖于导航数据的准确性和高更新率，因此用于导航的光流算法，除了要保证精度外，计算速度也应该得到保证。光流导航是利用通过图像序列计算的光流值进行速度估计的导航方式，但多数光流算法计算出来的光流值不是单独的一个二维向量，而是多个二维向量。在多个二维向量中，并不是所有的二维向量都能反映出运动载体的运动特性。因此，光流导航最终使用的就是反映物体运动的光流值，故不需要计算图像中每个像素点的光流值。综上所述，相比于稠密光流法，稀疏的光流法因其计算速度快、结果数据量小的特点更加适合用以导航。根据2.2节介绍，Lucas-Kanade光流算法及基于边缘直方图的块匹配算法计算速度快，且计算出的光流是稀疏光流，因此适合选为用于导航的光流算法。

1.1Lucas-Kanade光流算法

根据2.2.2小节提到，Lucas-Kanade光流算法（下文简称LK光流算法）除了假设了小运动以及亮度守恒原则之外，还假设了小窗口光流一致性原则。以光流一致性假设为基础，建立一个邻域像素系统的矩阵，通过该矩阵来计算中心像素点在两个方向上的运动。设邻域大小为，得到如下方程组：

式GOTOBUTTONZEqnNum192744(2-5)可以简写为以下形式：

由于式GOTOBUTTONZEqnNum192744(2-5)包含两个未知数但是有多于两个的方程，所以该方程组是超定方程。根据矩阵论相关知识，采用最小二乘法解决这个超定问题，得到式GOTOBUTTONZEqnNum460540(2-7)：

式GOTOBUTTONZEqnNum460540(2-7)可以表示为下式：

当可逆时，通过该方程求解得光流值为：

通过光流一致性假设，LK光流法结合邻近像素点的信息，从而消除光流方程的不确定性。同时，相比于HS光流算法，该算法计算得到稀疏光流，因此对图像中噪声抵抗能力较强。但LK光流法也存在着固有的缺陷。由于LK光流算法的假设太强，使得其在实际使用中还是面临着许多的问题，如大位移问题及光流不一致问题。在实际使用时，需要采取相应措施加以改进。

1.2基于边缘直方图匹配的光流算法

由2.2.3节提到，基于边缘直方图匹配的光流算法是由K.McGuir等人于2015年提出。由于该方法将复杂的二维图像信息转化为边缘直方图信息，相比于一般的块匹配光流算法，该算法将二维匹配的问题简化为一维线性匹配的问题，大大降低了算法的复杂度，提升了光流计算的速度。当运动载体搭载的开发板计算能力不足的情况下，该算法具有很高的实际应用价值。该算法流程图如图2-7所示：

图2-7边缘直方图光流算法流程图

接下来对该算法的步骤进行介绍：

获取图像：通过相机采集连续视频帧，将相邻的两帧记为It，I

对It，It+1进行降采样：该步骤主要目的是减少算法运算量，减轻计算设备的负担，得到It_downsample

对It_downsample，It+1_downsample利用Sobel算子提取边缘：该步骤主要目的是求图像的梯度，得到降采样图像的梯度图像It_Sobel

求It_Sobel，It+1_Sobel的边缘直方图：将梯度图像进行叠加，求得两幅图像在图像坐标系上和方向的边缘直方图。

计算边缘直方图SAD(最小绝对误差和)：以特定步长和搜索区域计算图像序列中相邻两帧x及y方向上的边缘直方图的SAD。

插值：对上一步骤计算的结果利用最小二乘拟合法拟合为线性模型。

获得光流：上个步骤中线性模型中常数项就是平移光流，乘以下采样的倍数得到光流。

通过上述介绍可以看出，该算法新颖独到、计算速度快。创造性利用图像边缘直方图作为光流计算的依据，相比于利用图像灰度信息进行光流计算的算法，该算法更加稳定。但该算法也存在着其相应的缺点，由于图像传感器的分辨率限制，该算法无法测量像素边界内存在的变化，所以该算法只能考虑整数光流，精度相对较低。因此，需要同其他算法结合使用。