目录

一、Lucas-Kanade光流法

1.1cv::ORB特征点提取方法

1.2 cv::calcOpticalFlowPyrLK函数

二、完整案例实现

2.1 程序代码

2.2 程序编译及输出

2.3 读取视频文件方式补充

---

一、Lucas-Kanade光流法

          在 OpenCV 中，使用 特征检测器(例如ORB ,Oriented FAST and Rotated BRIEF，更多的特征点提取方法见本栏博文：C/C++开发，opencv-features2d模块，SIFT等特征检测器应用-CSDN博客)与 cv::calcOpticalFlowPyrLK 光流跟踪器结合是一种有效的方法，用于跟踪视频序列中的关键点变化。

1.1cv::ORB特征点提取方法

        在OpenCV中，ORB（Oriented FAST and Rotated BRIEF）是一种快速的特征点检测和描述符提取算法，它结合了FAST（Features from Accelerated Segment Test）特征点检测器和BRIEF（Binary Robust Independent Elementary Features）描述符的优点，并增加旋转不变性和尺度不变性。

        在实际使用中，主要用到cv::ORB::create创建对象，然后使用detect*函数提取特征点。

//函数原型，OpenCV 4.x为例
cv::Ptr<cv::ORB> cv::ORB::create(  
    int nfeatures = 500,         // 最大特征点数量  
    float scaleFactor = 1.2f,    // 金字塔图像间的尺度参数（每层图像之间的尺度比例）  
    int nlevels = 8,             // 金字塔层数（包括原始图像层）  
    int edgeThreshold = 31,      // 用于FAST检测的边缘阈值（边缘像素不会被认为是关键点）  
    int firstLevel = 0,          // 使用的金字塔的第一层（通常设置为0）  
    int WTA_K = 2,               // 生成描述子时用于局部比较的点数  
    int scoreType = cv::ORB::HARRIS_SCORE, // 角点检测评分类型（HARRIS_SCORE或FAST_SCORE）  
    int patchSize = 31,          // 用于描述子计算的邻域大小（以像素为单位）  
    int fastThreshold = 20        // FAST角点检测的阈值（低于此值的点不会被认为是角点）  
);

        cv::ORB::create 是一个静态成员函数，用于创建并配置一个ORB（Oriented FAST and Rotated BRIEF）特征检测器对象。cv::ORB::create 函数允许你通过传递不同的参数来定制ORB检测器的行为。这个函数是可选的，因为cv::Ptr<cv::ORB>可以直接通过new关键字和构造函数来创建ORB对象，但使用create函数是一种更简洁、更现代的方式，它会自动处理内存管理（通过智能指针）。

         cv::ORB::detectAndCompute 函数是ORB特征检测器的一个关键方法，它同时执行特征点检测和描述符计算两个步骤。该函数的参数允许用户指定输入图像、掩码（可选）、输出关键点向量和输出描述符矩阵。

//函数原型
void cv::ORB::detectAndCompute(InputArray image,  
                               InputArray mask,  
                               std::vector<KeyPoint>& keypoints,  
                               OutputArray descriptors,  
                               bool useProvidedKeyPoints = false);
/*
参数:
    1)image (InputArray): 输入图像，可以是灰度图像或彩色图像。ORB算法通常在灰度图像上运行得更好，因此如果输入是彩色图像，ORB可能会在内部将其转换为灰度图。
    2)mask (InputArray, 可选): 一个与输入图像大小相同的掩码图像，用于指定哪些区域应该被考虑用于特征检测。掩码图像必须是单通道、8位深度的图像，其中非零像素表示要检测特征的区域，零像素表示要忽略的区域。如果掩码为空（即传递Mat()），则没有区域会被忽略。
    3)keypoints (std::vector<KeyPoint>&): 输出参数，用于存储检测到的关键点。每个关键点包含位置（x, y）、尺度（size）、方向（angle，对于ORB是可选的，因为ORB可能不计算方向）等信息。
    4)descriptors (OutputArray): 输出参数，用于存储关键点的描述符。ORB使用BRIEF或rBRIEF作为描述符，因此每个描述符是一个二进制字符串，通常表示为一个uchar类型的向量或矩阵。
    5)useProvidedKeyPoints (bool, 默认为false): 一个可选参数，指定是否使用用户提供的关键点来计算描述符。如果设置为true，则detectAndCompute函数将仅计算由keypoints参数提供的关键点的描述符，而不会执行特征点检测。这通常用于当你已经有了关键点位置，但需要计算这些关键点的描述符时。
*/

        调整cv::ORB::create函数中的参数，如nfeatures（特征点数量）、scaleFactor（尺度因子）、nlevels（金字塔层数）等，可以控制ORB检测器的detectAndCompute 行为，以适应不同的应用场景和需求。 

1.2 cv::calcOpticalFlowPyrLK函数

        在C++中使用OpenCV库进行光流法（Lucas-Kanade）跟踪特征点是一种常见的技术，特别适用于视频测振处理、运动估计和物体跟踪等应用。OpenCV中的光流法实现是通过cv::calcOpticalFlowPyrLK函数来跟踪视频中的特征点。

//函数原型
void cv::calcOpticalFlowPyrLK(InputArray prevImg, InputArray nextImg,  
                              InputArray prevPts, OutputArray nextPts,  
                              OutputArray status,  
                              OutputArray err,  
                              Size winSize = Size(21, 21),  
                              int maxLevel = 3,  
                              TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01),  
                              int flags = 0,  
                              double minEigThreshold = 1e-4);
/*
参数说明：
    prevImg：前一帧图像，类型为 CV_8UC1 或 CV_32FC1。
    nextImg：当前帧图像，与 prevImg 类型相同。
    prevPts：前一帧中特征点的坐标，类型为 Point2f 的 vector 或 Mat。
    nextPts：输出参数，存储当前帧中对应特征点的坐标，类型与 prevPts 相同。
    status：输出状态数组，用于表示每个特征点是否成功找到对应点，类型为 uchar 的 vector 或 Mat。
    err：输出数组，存储每个特征点的光流误差估计，类型为 float 的 vector 或 Mat。
    winSize：搜索窗口的大小，默认为 Size(21, 21)。
    maxLevel：金字塔的最大层数，默认为 3。
    criteria：迭代算法的终止条件，默认为迭代 30 次或达到某个最小误差（0.01）。
    flags：操作标志，默认为 0。
    minEigThreshold：最小特征值阈值，用于检测跟踪质量，默认为 1e-4。
*/

        通常是先读取视频或捕获摄像头，选用第一帧中检测 ORB 特征点，并将它们作为初始点集传递给 cv::calcOpticalFlowPyrLK。然后，在视频序列的每一帧中，计算这些点的光流，并更新它们的位置。通常，由于使用了光流跟踪，因此不需要在每帧中都重新检测特征点，除非跟踪失败或需要重新初始化。

        在实际应用中，由于遮挡、快速运动或光照变化等原因，一些特征点可能会丢失或变得不可靠。因此，可能需要实现一些额外的逻辑来处理这些情况，比如重新检测丢失的特征点或删除不可靠的跟踪点。

        由于 cv::calcOpticalFlowPyrLK 的 prevPts 和 nextPts 需要在每次迭代后更新，因此确保在每次迭代开始时正确地设置了这些变量是很重要的。

二、完整案例实现

2.1 程序代码

        main.cpp代码，使用OpenCV的VideoCapture类来从文件或摄像头捕获视频帧，使用ORB特征检测（cv::ORB::create，cv::ORB::detectAndCompute），使用光流法（cv::calcOpticalFlowPyrLK）跟踪特征点。获得了特征点的位置随时间的变化，进行了这些特征点绘制（在原图像上绘制圆点、变化线等），也可以进一步分析这些变化来估计振动参数，如频率、振幅等。

#include <opencv2/opencv.hpp>  
#include <vector>
#include <iostream>

int main(int argc, char* argv[]) 
{  
    cv::VideoCapture cap; // 视频捕获对象 
    if(argc< 2){ 
        cap.open(0);        //0是摄像头的索引
	}else{        
        // 加载视频 
        cap.open(argv[1]);  //如果是视频文件，则传入文件路径  
    }
    // cv::VideoCapture cap(0); // 0是摄像头的索引，如果是视频文件，则传入文件路径  
    if (!cap.isOpened()) {  
        std::cerr << "Error opening video stream or file" << std::endl;  
        return -1;  
    }  
	
	cv::Mat frame, gray, prevGray;  
    cv::Ptr<cv::ORB> detector = cv::ORB::create(500); // 创建ORB检测器，这里设置最大特征点数为500  
  
    std::vector<cv::Point2f> prevPts, nextPts;  
    std::vector<uchar> status;  
    std::vector<float> err;  
  
    // 读取第一帧并检测ORB特征点  
    if (cap.read(frame)) {  
        cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);  
        std::vector<cv::KeyPoint> keypoints;  
        cv::Mat descriptors;  
        detector->detectAndCompute(gray, cv::Mat(), keypoints, descriptors);  
  
        // 将关键点坐标转换为Point2f  
        for (const auto& kp : keypoints) {  
            prevPts.push_back(kp.pt);  
        }   
    }  
	prevGray = gray.clone();  
    // 循环读取视频帧并计算光流  
    while (cap.read(frame)) {  
        cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);  
  
        // 使用金字塔Lucas-Kanade方法计算光流  
        cv::calcOpticalFlowPyrLK(prevGray, gray, prevPts, nextPts, status, err);  
  
        // 绘制跟踪点  
        for (size_t i = 0; i < nextPts.size(); i++) {  
            if (status[i]) {  
                // cv::circle(frame, prevPts[i], 2, cv::Scalar(0, 255, 0), -1); 
                cv::circle(frame, nextPts[i], 2, cv::Scalar(255, 0, 0), -1); 
                cv::line(frame, prevPts[i], nextPts[i], cv::Scalar(0, 0, 255), 1); 
                //可以存储nextPts点，形成时间序列信息
                //进一步分析prevPts, nextPts点变化来估计振动参数，如频率、振幅等。这通常涉及到信号处理技术，如傅里叶变换等。
            }  
        } 
        // 更新前一帧的跟踪点  
        prevPts = nextPts;  
        std::vector<cv::Point2f>().swap(nextPts); // 清空nextPts以准备下一帧使用  
        // 更新前一帧的灰度图  
        prevGray = gray.clone();  

        // 显示结果  
        cv::imshow("Frame", frame);  
        char c = (char)cv::waitKey(25);  
        if (c == 27) break; // 按ESC退出  
    }  
    cap.release();  
    cv::destroyAllWindows();  
    return 0;  
}

2.2 程序编译及输出

        本文是采用win系统下，opencv采用MinGW编译的静态库（C/C++开发，win下OpenCV+MinGW编译环境搭建_opencv mingw-CSDN博客），建立makefile：

#/bin/sh
#win32
CX= g++ -DWIN32 
#linux
#CX= g++ -Dlinux 

BIN 		:= ./
TARGET      := Video_vibrometer.exe
FLAGS		:= -std=c++11 -static
SRCDIR 		:= ./
#INCLUDES
INCLUDEDIR 	:= -I"../../opencv_MinGW/include" -I"./"
#-I"$(SRCDIR)"
staticDir   := ../../opencv_MinGW/x64/mingw/staticlib/
#LIBDIR		:= $(staticDir)/libopencv_world460.a\
#			   $(staticDir)/libade.a \
#			   $(staticDir)/libIlmImf.a \
#			   $(staticDir)/libquirc.a \
#			   $(staticDir)/libzlib.a \
#			   $(wildcard $(staticDir)/liblib*.a) \
#			   -lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
#opencv_world放弃前，然后是opencv依赖的第三方库，后面的库是MinGW编译工具的库

LIBDIR 	    := -L $(staticDir) -lopencv_world460 -lade -lIlmImf -lquirc -lzlib \
				-llibjpeg-turbo -llibopenjp2 -llibpng -llibprotobuf -llibtiff -llibwebp \
				-lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
source		:= $(wildcard $(SRCDIR)/*.cpp) 

$(TARGET) :
	$(CX) $(FLAGS) $(INCLUDEDIR) $(source)  -o $(BIN)/$(TARGET) $(LIBDIR)

clean:
	rm  $(BIN)/$(TARGET)

编译如下：

程序运行输出如下，本测试没有指定视频图像，采用笔记本的摄像头抓取视频：

        PS：读者可以调整参数、图像光影效果等验证测试。

2.3 读取视频文件方式补充

PS:如果读取视频，有些格式（如mp4)需要视频动态库支持，记得把相关的视频动态库拷贝进来。

mingw:

 vc: