基于光流算法的运动物体检测与光流场分析（MATLAB实现）

MATLAB 代码，使用 Lucas-Kanade 光流法 计算视频序列中运动物体的光流场，并输出每个像素点的运动状态（速度矢量、方向角、运动幅度）。

---

一、算法原理概述

光流法通过连续帧间的像素强度变化估计运动场。Lucas-Kanade 法假设局部窗口内运动一致，通过最小二乘法求解光流方程：

Ixu+Iyv+It=0I_x u + I_y v + I_t = 0Ixu+Iyv+It=0

其中 Ix,IyI_x, I_yIx,Iy 为空间梯度，ItI_tIt为时间梯度，u,vu, vu,v为光流矢量。

---

二、 MATLAB 代码

2.1 主函数：optical_flow_demo.m

%% 光流法检测运动物体并输出每个像素的运动状态
clear; clc; close all;

%% 1. 读取视频或图像序列
% 方式一：读取视频文件
vidObj = VideoReader('motion.avi'); % 替换为你的视频文件
% 方式二：生成模拟运动图像（用于演示）
% 这里使用内置的 shuttle 视频
if ~exist('vidObj','var')
    vidObj = VideoReader('shuttle.avi'); % MATLAB自带示例
end

% 读取前两帧
frame1 = readFrame(vidObj);
frame2 = readFrame(vidObj);

% 转为灰度图
if size(frame1,3)==3
    gray1 = rgb2gray(frame1);
    gray2 = rgb2gray(frame2);
else
    gray1 = frame1;
    gray2 = frame2;
end

%% 2. 计算光流（Lucas-Kanade 法）
% 参数设置
windowSize = 15;    % 局部窗口大小（奇数）
sigma = 2;          % 高斯平滑标准差
threshold = 0.01;   % 特征值阈值（过滤低纹理区域）

% 计算光流
[u, v] = lucas_kanade_flow(double(gray1), double(gray2), windowSize, sigma, threshold);

%% 3. 计算每个像素的运动状态
% 运动幅度（速度大小）
magnitude = sqrt(u.^2 + v.^2);
% 运动方向（弧度，范围 -π ~ π）
direction = atan2(v, u);
% 转换为角度（度）
direction_deg = rad2deg(direction);

%% 4. 可视化光流场
figure('Position',[100 100 1400 650]);

% 原图
subplot(2,3,1);
imshow(gray1); title('当前帧');

% 光流矢量图（稠密采样）
subplot(2,3,2);
imshow(gray1); hold on;
step = 8; % 每隔 step 像素显示一个箭头
[X, Y] = meshgrid(1:step:size(gray1,2), 1:step:size(gray1,1));
quiver(X, Y, u(1:step:end,1:step:end), v(1:step:end,1:step:end), ...
       2, 'r', 'LineWidth', 1);
title('光流矢量场');

% 运动幅度图
subplot(2,3,3);
imagesc(magnitude); axis image; colorbar;
colormap(jet); title('运动幅度');

% 运动方向图
subplot(2,3,4);
imagesc(direction_deg); axis image; colorbar;
colormap(hsv); title('运动方向（°）');

% 运动物体分割（幅度阈值）
subplot(2,3,5);
threshold_mag = 0.5; % 根据实际情况调整
moving_mask = magnitude > threshold_mag;
imshow(moving_mask); title('运动区域检测');

% 叠加显示
subplot(2,3,6);
imshow(gray1); hold on;
overlay = imoverlay(gray1, moving_mask, [1 0 0]);
imshow(overlay); title('运动物体标记（红色）');

sgtitle('Lucas-Kanade 光流分析','FontSize',14,'FontWeight','bold');

%% 5. 输出每个像素的运动状态（示例：前10×10区域）
fprintf('前10×10像素的运动状态（部分）：\n');
fprintf('   (x,y)   |  u (pix/frame) |  v (pix/frame) |  速度幅值  |  方向角(°)\n');
for i = 1:min(10,size(u,1))
    for j = 1:min(10,size(u,2))
        fprintf('(%3d,%3d) | %12.4f | %12.4f | %10.4f | %8.2f\n', ...
                j, i, u(i,j), v(i,j), magnitude(i,j), direction_deg(i,j));
    end
end

2.2 Lucas-Kanade 光流函数：lucas_kanade_flow.m

function [u, v] = lucas_kanade_flow(im1, im2, windowSize, sigma, threshold)
% Lucas-Kanade 稠密光流计算
% 输入：
%   im1, im2    - 连续两帧灰度图像（double类型）
%   windowSize  - 局部窗口大小（奇数，默认15）
%   sigma       - 高斯平滑标准差（默认2）
%   threshold   - 特征值阈值（默认0.01）
% 输出：
%   u, v        - 水平/垂直光流分量

if nargin < 3, windowSize = 15; end
if nargin < 4, sigma = 2; end
if nargin < 5, threshold = 0.01; end

% 高斯平滑预处理
h = fspecial('gaussian', max(3,ceil(2*sigma)), sigma);
im1 = imfilter(im1, h, 'replicate');
im2 = imfilter(im2, h, 'replicate');

% 计算空间梯度 Ix, Iy 和时间梯度 It
fx = [-1 1; -1 1]; % Sobel-like
fy = [-1 -1; 1 1];
ft = [1 1; 1 1];

Ix = imfilter(im1, fx, 'replicate') + imfilter(im2, fx, 'replicate');
Iy = imfilter(im1, fy, 'replicate') + imfilter(im2, fy, 'replicate');
It = imfilter(im1, ft, 'replicate') - imfilter(im2, ft, 'replicate');

% 初始化光流
u = zeros(size(im1));
v = zeros(size(im1));

half = floor(windowSize/2);

% 遍历每个像素
for i = 1+half : size(im1,1)-half
    for j = 1+half : size(im1,2)-half
        % 提取窗口内的梯度
        winIx = Ix(i-half:i+half, j-half:j+half);
        winIy = Iy(i-half:i+half, j-half:j+half);
        winIt = It(i-half:i+half, j-half:j+half);
        
        % 构建矩阵 A 和向量 b
        A = [winIx(:), winIy(:)];
        b = -winIt(:);
        
        % 求解最小二乘：A'*A * [u;v] = A'*b
        AtA = A' * A;
        Atb = A' * b;
        
        % 检查特征值（避免病态）
        eigenvalues = eig(AtA);
        if min(eigenvalues) > threshold
            flow = AtA \ Atb;
            u(i,j) = flow(1);
            v(i,j) = flow(2);
        else
            u(i,j) = 0;
            v(i,j) = 0;
        end
    end
end
end

2.3 辅助函数：imoverlay.m（用于叠加显示）

function overlay = imoverlay(baseImg, mask, color)
% 将二值掩膜以指定颜色叠加到灰度图上
if nargin < 3, color = [1 0 0]; end % 默认红色
if size(baseImg,3)==1
    baseImg = repmat(baseImg, [1 1 3]);
end
overlay = baseImg;
for c = 1:3
    channel = overlay(:,:,c);
    channel(mask) = color(c) * 255;
    overlay(:,:,c) = channel;
end
overlay = uint8(overlay);
end

---

三、运行结果说明

3.1 输出内容

• 光流矢量图：红色箭头表示运动方向和速度大小
• 运动幅度图：颜色越亮表示运动越快
• 运动方向图：HSV色环表示方向（0°红，90°黄，180°青，270°紫）
• 运动区域检测：二值掩膜，白色为运动区域
• 运动物体标记：红色覆盖在原图上
• 命令行输出：前100个像素的详细运动状态（u, v, 幅值, 方向角）

3.2 参数调优建议

参数	作用	建议值
windowSize	局部窗口大小	11~21（运动剧烈用小窗口，平滑运动用大窗口）
sigma	高斯平滑程度	1~3（噪声大时增大）
threshold	特征值阈值	0.001~0.1（纹理丰富区域可设小，平坦区域设大）
threshold_mag	运动分割阈值	根据运动幅度动态调整（可用Otsu自动阈值）

---

四、扩展功能

4.1 使用 Horn-Schunck 全局光流法（备选）

若需要全局平滑约束，可替换为 Horn-Schunck 算法：

function [u, v] = horn_schunck_flow(im1, im2, alpha, iterations)
% alpha: 平滑权重（越大越平滑）
% iterations: 迭代次数
% ...（实现略，可参考标准算法）

4.2 运动状态统计分析

% 统计运动区域的平均速度和方向
moving = magnitude > threshold_mag;
mean_speed = mean(magnitude(moving));
mean_dir = mean(direction_deg(moving));
fprintf('运动区域平均速度: %.2f pix/frame\n', mean_speed);
fprintf('运动区域平均方向: %.2f°\n', mean_dir);

4.3 光流轨迹追踪

% 使用累积光流追踪特征点轨迹
% 可结合 KLT 特征点追踪

参考代码 基于光流算法，检测运动物体的光流场 www.youwenfan.com/contentcsv/80977.html

五、注意事项

1. 图像预处理：建议先进行直方图均衡化或光照归一化，减少光照变化影响。
2. 多尺度处理 ：对大运动（>1像素/帧），应采用金字塔 Lucas-Kanade 法（cv2.calcOpticalFlowPyrLK 类似）。
3. 边缘处理：窗口靠近图像边界时，会自动缩小窗口（上述代码已处理边界）。
4. 性能优化 ：对于大尺寸图像，可先用 imresize 降采样再计算光流。