Glossaire

Flux optique

Découvre la puissance de l'Optical Flow dans la vision par ordinateur. Apprends comment il estime le mouvement, améliore l'analyse vidéo et favorise les innovations en matière d'IA.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

Le flux optique est un concept fondamental de la vision par ordinateur (cv ) utilisé pour décrire le mouvement apparent des objets, des surfaces et des bords dans une scène visuelle, causé par le mouvement relatif entre un observateur (comme une caméra) et la scène. Il calcule un champ de vecteurs représentant le déplacement des motifs de luminosité (pixels ou caractéristiques) entre les images consécutives d'une séquence vidéo. Cela fournit des informations précieuses sur la dynamique des mouvements au sein de la vidéo, qui constituent la base de nombreuses tâches de vision de haut niveau.

Comment fonctionne le flux optique

L'hypothèse de base qui sous-tend la plupart des algorithmes de flux optique est la constance de la luminosité - l'idée que l'intensité d'un point spécifique sur un objet reste constante sur de courts intervalles de temps, même lorsqu'il se déplace sur le plan de l'image. Les algorithmes suivent ces modèles de luminosité constante d'une image à l'autre pour estimer les vecteurs de mouvement. Les techniques courantes comprennent :

  • Sparse Optical Flow : suit le mouvement d'un ensemble limité de points caractéristiques spécifiques (comme les coins) entre les images. La méthode Lucas-Kanade est un exemple populaire.
  • Flux optique dense : calcule un vecteur de mouvement pour chaque pixel de l'image. La méthode Horn-Schunck est un exemple classique, bien que des approches plus modernes utilisent souvent l'apprentissage profond. Tu peux explorer les comparaisons entre flux dense et flux clairsemé pour plus de détails.

Ces méthodes fournissent une compréhension de bas niveau du mouvement des pixels, qui peut ensuite être interprétée pour diverses applications.

Applications du flux optique

Le flux optique a de nombreuses applications pratiques dans différents domaines :

  • Compression vidéo : Les vecteurs de mouvement permettent de prédire les images suivantes, ce qui réduit la quantité de données nécessaires au stockage ou à la transmission, comme le montrent des normes telles que MPEG.
  • Systèmes autonomes : Utilisé en robotique et dans les véhicules autonomes pour des tâches telles que l'estimation de l'ego-motion (déterminer le propre mouvement de la caméra), l'évitement d'obstacles et la compréhension du mouvement relatif d'autres objets. Par exemple, l'IA des voitures auto-conduites utilise le flux pour suivre les véhicules et les piétons à proximité.
  • Reconnaissance des actions : L'analyse des modèles de mouvement permet d'identifier des actions comme la marche, la course ou la chute dans les vidéos. Cela est utile dans les domaines de la surveillance, de l'analyse sportive et de l'interaction homme-machine. Un système d'alarme de sécurité peut utiliser le flux optique pour détecter les mouvements suspects. En savoir plus sur la recherche en reconnaissance d'action.
  • Imagerie médicale : Trace le mouvement des organes ou des tissus dans des séquences telles que l'échographie ou l'IRM, aidant ainsi au diagnostic et à l'analyse. En savoir plus sur l'analyse des images médicales.
  • Stabilisation vidéo : Estime le mouvement de la caméra pour supprimer numériquement les tremblements et les secousses indésirables, ce qui permet d'obtenir une sortie vidéo plus fluide. En savoir plus sur les techniques de stabilisation électronique de l'image.

Flux optique et suivi d'objet

Bien qu'ils soient liés, le flux optique et le suivi d'objet sont des tâches distinctes. Le flux optique fournit des vecteurs de mouvement de bas niveau pour les pixels ou les caractéristiques entre deux images consécutives. Il ne comprend pas intrinsèquement l'identité des objets ou ne les suit pas sur de longues durées.

Le suivi d'objets, souvent effectué à l'aide de modèles tels que Ultralytics YOLOse concentre sur l'identification d'instances d'objets spécifiques (généralement détectées par le biais de la détection d'objets) et sur le maintien de leurs identités et de leurs trajectoires sur plusieurs images, potentiellement sur de longues périodes. Les algorithmes de suivi utilisent fréquemment le flux optique comme entrée (avec des modèles d'apparence, des filtres de Kalman, etc.) pour prédire l'emplacement des objets dans les images suivantes, mais le suivi est une tâche de plus haut niveau qui concerne la persistance des objets. Tu peux explorer des modèles comme YOLOv8 pour le suivi.

Des bibliothèques comme OpenCV fournissent des implémentations facilement disponibles de divers algorithmes de flux optique.

Tout lire