Glosario

Flujo óptico

Descubre el poder del Flujo Óptico en la visión por ordenador. Aprende cómo estima el movimiento, mejora el análisis de vídeo e impulsa las innovaciones en IA.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

El Flujo Óptico es un concepto crucial en el campo de la visión por ordenador, que se refiere al patrón de movimiento aparente de objetos, superficies y bordes en una escena visual, causado por el movimiento relativo entre un observador (como una cámara) y la escena. Imagina que ves un vídeo; el Flujo Óptico intenta estimar el movimiento de cada píxel de un fotograma al siguiente, creando un campo de movimiento denso que describe la dirección y velocidad del movimiento en toda la imagen. Este campo de movimiento es inestimable para comprender la dinámica de la escena y el movimiento de los objetos dentro de las secuencias de vídeo.

Comprender el flujo óptico

En esencia, el Flujo Óptico se basa en la suposición de que los píxeles que pertenecen al mismo objeto en fotogramas consecutivos mostrarán un movimiento similar. Los algoritmos analizan los cambios en la intensidad de los píxeles a lo largo del tiempo para estimar los vectores de movimiento. Estos vectores representan el desplazamiento de los píxeles entre fotogramas, visualizando eficazmente cómo se mueven las distintas partes de la imagen. Aunque la precisión perfecta es un reto debido a factores como los cambios de iluminación, las superficies sin textura y las oclusiones, el Flujo Óptico proporciona una aproximación robusta del movimiento en muchos escenarios del mundo real.

El Flujo Óptico difiere significativamente de la detección de objetos y la segmentación de imágenes. Mientras que la detección de objetos pretende identificar y localizar objetos dentro de una misma imagen, y la segmentación de imágenes clasifica los píxeles en categorías de objetos, el Flujo Óptico se centra en el movimiento entre fotogramas consecutivos. No identifica necesariamente lo que se mueve, sino cómo se desplazan los píxeles en el plano de la imagen a lo largo del tiempo. Esto lo hace especialmente útil para aplicaciones en las que es primordial comprender la dinámica del movimiento.

Aplicaciones del flujo óptico

El Flujo Óptico tiene una amplia gama de aplicaciones, sobre todo en áreas que aprovechan el análisis de vídeo y el procesamiento en tiempo real. Dos ejemplos destacados son:

  • Conducción autónoma: En los coches de conducción autónoma, el Flujo Óptico se utiliza para percibir el movimiento de los objetos circundantes en relación con el vehículo. Analizando el campo de Flujo Óptico, el sistema puede detectar vehículos en movimiento, peatones y otros elementos dinámicos del entorno, mejorando el conocimiento de la situación y permitiendo una navegación más segura. Esta información es crucial para la toma de decisiones en los sistemas autónomos.

  • Videovigilancia: Los sistemas de seguridad utilizan el Flujo Óptico para la detección de movimiento y el reconocimiento de anomalías. Analizando los patrones de movimiento, los sistemas pueden identificar actividades inusuales, como intrusos o cambios repentinos en el comportamiento de la multitud. Esta capacidad permite tomar medidas de seguridad proactivas y vigilar eficazmente grandes áreas. Por ejemplo, los patrones de movimiento inusuales detectados mediante el Flujo Óptico podrían activar alertas en un sistema de alarma de seguridad.

Más allá de estos ejemplos, el Flujo Óptico también se utiliza en robótica para el SLAM visual (Localización y Mapeado Simultáneos), en compresión de vídeo para estimar vectores de movimiento para una codificación eficiente, y en diversas formas de análisis de vídeo, como el reconocimiento de acciones y la edición de vídeo. A medida que la visión por ordenador sigue avanzando, el Flujo Óptico sigue siendo una técnica fundamental para comprender e interpretar el movimiento en los datos visuales, complementando modelos potentes como Ultralytics YOLOv8 para una comprensión exhaustiva de la escena. También se están explorando nuevos avances en el aprendizaje profundo para mejorar la estimación del Flujo Óptico, integrándolo con modelos para mejorar el seguimiento de objetos y el análisis de escenas.

Leer todo