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
白-胖-子4 小时前
深入剖析大模型在文本生成式 AI 产品架构中的核心地位
人工智能·架构
想要成为计算机高手5 小时前
11. isaacsim4.2教程-Transform 树与Odometry
人工智能·机器人·自动驾驶·ros·rviz·isaac sim·仿真环境
静心问道6 小时前
InstructBLIP:通过指令微调迈向通用视觉-语言模型
人工智能·多模态·ai技术应用
宇称不守恒4.06 小时前
2025暑期—06神经网络-常见网络2
网络·人工智能·神经网络
小楓12017 小时前
醫護行業在未來會被AI淘汰嗎?
人工智能·醫療·護理·職業
数据与人工智能律师7 小时前
数字迷雾中的安全锚点:解码匿名化与假名化的法律边界与商业价值
大数据·网络·人工智能·云计算·区块链
chenchihwen7 小时前
大模型应用班-第2课 DeepSeek使用与提示词工程课程重点 学习ollama 安装 用deepseek-r1:1.5b 分析PDF 内容
人工智能·学习
说私域7 小时前
公域流量向私域流量转化策略研究——基于开源AI智能客服、AI智能名片与S2B2C商城小程序的融合应用
人工智能·小程序
Java樱木7 小时前
AI 编程工具 Trae 重要的升级。。。
人工智能
AntBlack8 小时前
从小不学好 ,影刀 + ddddocr 实现图片验证码认证自动化
后端·python·计算机视觉