OPenCV CUDA模块光流处理------利用Nvidia GPU的硬件加速能力来计算光流类cv::cuda::NvidiaHWOpticalFlow

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

cv::cuda::NvidiaHWOpticalFlow 是 OpenCV CUDA 模块中的一个类,专门用于利用 Nvidia GPU 的硬件加速能力来计算光流。这个类允许用户使用 Nvidia 提供的硬件加速功能进行高效的光流计算,特别适用于需要实时处理或高性能的应用场景。

类概述

  • 命名空间:cv::cuda
  • 继承自:cv::DenseOpticalFlow
  • 用途:利用 Nvidia GPU 硬件加速执行光流计算
  • 支持的操作系统:需要安装有兼容版本的 Nvidia 驱动程序和 CUDA 工具包

主要成员函数

创建对象

cpp 复制代码
static Ptr<NvidiaHWOpticalFlow> create(int preset = 0, const Map<String, float>& options = Map<String, float>());
  • preset: 预设配置选项(默认为0)
  • options: 自定义配置参数

设置与获取参数

  • 设置参数:
cpp 复制代码
void set(const String& key, float value);
  • 获取参数:
cpp 复制代码
float get(const String& key) const;

执行光流计算

cpp 复制代码
void calc(InputArray I0, InputArray I1, InputOutputArray flow);
  • I0: 第一帧图像
  • I1: 第二帧图像
  • flow: 输出的光流场

代码示例

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <opencv2/cudaimgproc.hpp>  // for upload/download
#include <opencv2/cudaoptflow.hpp>


// 前置声明(可选)
void drawOpticalFlow(const cv::Mat& flow, cv::Mat& dst, int step = 16);

int main() {
    // 加载图像
    cv::Mat frame1 = cv::imread("/media/dingxin/data/study/OpenCV/sources/images/frame1.png", cv::IMREAD_GRAYSCALE);
    cv::Mat frame2 = cv::imread("/media/dingxin/data/study/OpenCV/sources/images/frame2.png", cv::IMREAD_GRAYSCALE);

    if (frame1.empty() || frame2.empty()) {
        std::cerr << "无法加载图像" << std::endl;
        return -1;
    }

    // 创建光流算法对象
    cv::Ptr<cv::DenseOpticalFlow> algo = cv::FarnebackOpticalFlow::create();
    cv::Mat flow;

    // 计算光流
    algo->calc(frame1, frame2, flow);

    // 显示光流图
    cv::Mat flowImg;
    drawOpticalFlow(flow, flowImg);  // 调用自定义绘制函数


    cv::imshow("Frame 1", frame1);
    cv::imshow("Frame 2", frame2);
    cv::imshow("Optical Flow", flowImg);
    cv::waitKey(0);

    return 0;
}

// 自定义函数:绘制光流矢量
void drawOpticalFlow(const cv::Mat& flow, cv::Mat& dst, int step) {
    dst = cv::Mat::zeros(flow.size(), CV_8UC3);

    for (int y = 0; y < flow.rows; y += step) {
        for (int x = 0; x < flow.cols; x += step) {
            const cv::Point2f f = flow.at<cv::Point2f>(y, x);
            cv::line(dst, cv::Point(x, y), cv::Point(cvRound(x + f.x * 5), cvRound(y + f.y * 5)),
                     cv::Scalar(0, 255, 0));
            cv::circle(dst, cv::Point(cvRound(x + f.x * 5), cvRound(y + f.y * 5)), 1,
                       cv::Scalar(0, 255, 0), -1);
        }
    }
}

运行结果

相关推荐
chh5632 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval2 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi3 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿3 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方4 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI4 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP4 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
泯泷5 小时前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
罗西的思考5 小时前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
屿华AI5 小时前
AUTOSAR 实战-诊断工具 | 用 Claude Code 开发诊断测试工具:AI 协作开发实践
人工智能·测试工具