在實際過程中採用 lucas-kanade 光流演算法跟蹤運動物體特徵點的時候，乙個很明顯的特點是lk演算法（包括其他光流演算法）不能計算「大運動」，加上金子塔的方法稍微好點。
這是什麼原因？
檢視lk演算法的三個假設：
1、亮度恆定；
2、時間連續或者運動是「小運動」；
3、空間一致；同一子影象的畫素點有相同的運動。
1和3都相對好理解，對於2，換句話，可以將運動的變化看成是亮度對時間的導數。如果距離比較大，那麼求導之後是物體在這段時間內的平均速度，並不能反映物體在某一時刻的速度。
模擬影象的某點位置的梯度求解，我們只會把該點與其領域內的畫素點作差值，不會與較遠的點作差值。
以前和別人討論過lk光流跟蹤和影象塊匹配跟蹤，兩者的區別及哪種效果更好。
lk光流既用到了影象的梯度資訊（灰度資訊），又有時間對灰度的求導，影象只有匹配灰度（梯度）資訊。另外，覺得lk演算法的速度明顯要快。但是，就上述討論的結果來看，對於「小運動」影象塊匹配的速度也會很快。
個人覺得兩種演算法的區別主要數學處理的方法不一樣，lk演算法實際上求導的方法，影象塊匹配則是用了歸一化相關，他們們的目的都是一樣的，找的相連兩幀影象中一樣子區域。
**來自為知筆記(wiz)
LK光流演算法及其opencv的自定義實現
由於攝像機系統將三維場景轉換為二維影象丟失了很多資訊，因此要在二維影象中估計物體的運動情況就需要引入額外的資訊。光流演算法就是通過引入前後兩幀影象的差異，從而將現實世界的運動場轉換成成二維影象中的光流場。前一幀表示為h x,y 後一幀表示為i x,y 兩幀在x方向有u個畫素的位移，在y方向有v個畫素...
O n 的三個排序演算法
今天覆習下最簡單的三個排序演算法，乙個是選擇排序，乙個是插入排序，乙個是氣泡排序，三者時間複雜度都是o n 通過分析來發現三者的優劣，以及對最好的情況和最壞的情況進行分析。另外，這三中排序演算法都是基於比較的排序演算法。基於比較的排序演算法的執行過程，會涉及兩種操作，一種是元素比較大小，另一種是元素...
對三個流的理解和應用
之前給新員工做培訓的時候，曾經和大家說過很多的mis或者erp系統中都會涉及到的三個流，那就是物流 資金流以及資訊流。忘了是曾經在什麼地方看過了，反正在培訓的時候就覺得是自己總結出來的，哈哈。因為對這三個流，在系統開發過程中，借助對企業流程的理解，有了很多自己的想法。但是當時講完了就講完了，也沒有留...