• 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

OpenCV CUDA 模块中实现的稀疏光流算法类，基于 Lucas-Kanade 方法，并支持图像金字塔结构。适用于特征点跟踪任务（如角点、FAST 特征等）。

创建对象方法

静态函数：create()

static Ptr<cv::cuda::SparsePyrLKOpticalFlow> cv::cuda::SparsePyrLKOpticalFlow::create(cv::Size winSize = cv::Size(21, 21),int maxLevel = 3,int iters = 30,bool useInitialFlow = false
);

参数说明：

参数名	类型	默认值	描述
winSize	Size	Size(21,21)	Lucas-Kanade 算法使用的窗口大小（必须为奇数）
maxLevel	int	3	金字塔最大层级数（0 表示不使用金字塔）
iters	int	30	每层金字塔上的最大迭代次数
useInitialFlow	bool	false	是否使用初始 flow 输入

主要成员函数

深色版本

函数名	返回类型	描述
calc()	void	计算两帧图像之间的稀疏光流
getWinSize()	Size	获取当前窗口大小
getMaxLevel()	int	获取金字塔最大层级
getIterations()	int	获取每层迭代次数
getUseInitialFlow()	bool	获取是否启用初始 flow 输入
setUseInitialFlow(bool flag)	void	设置是否启用初始 flow 输入
getStream()	Stream&	获取当前使用的 CUDA 流
setStream(const Stream& stream)	void	设置使用的 CUDA 流
collectGarbage()	void	显式释放内部资源（如显存）

calc() 函数原型

void cv::cuda::SparsePyrLKOpticalFlow::calc(InputArray prevImg,            // 前一帧图像 (灰度图 CV_8UC1)InputArray nextImg,            // 当前帧图像 (灰度图 CV_8UC1)InputArray prevPts,            // 上一帧中要追踪的点集 (CV_32FC2)InputOutputArray nextPts,      // 输出：当前帧中追踪到的点集OutputArray status,            // 输出：每个点是否成功追踪 (uchar)OutputArray err = noArray(),   // 可选输出：误差值Stream& stream = Stream::Null()
);

参数说明：

参数名	类型	描述
prevImg	InputArray	前一帧图像（灰度图，CV_8UC1）
nextImg	InputArray	当前帧图像（灰度图，CV_8UC1）
prevPts	InputArray	上一帧的特征点位置（CV_32FC2 格式）
nextPts	InputOutputArray	输出：当前帧中对应点的位置（CV_32FC2）
status	OutputArray	输出：每个点是否成功追踪（uchar，1 成功，0 失败）
err	OutputArray / noArray()	可选输出：误差值
stream	Stream&	可选 CUDA 流，默认为 Stream::Null()

注意事项与要求

条件	要求
输入图像格式	必须为灰度图（CV_8UC1）
关键点格式	必须为 CV_32FC2 格式，且是单行矩阵（rows == 1）
图像尺寸	prevImg 和 nextImg 的尺寸必须相同
实时性支持	支持实时处理，适合小数量关键点
替代方案	对于稠密光流，请使用 DenseOpticalFlow 或 NvidiaOpticalFlow 系列接口

示例代码

#include <opencv2/cudaimgproc.hpp>
#include <opencv2/cudaoptflow.hpp>
#include <opencv2/opencv.hpp>using namespace cv;
using namespace cv::cuda;int main()
{// Step 1: 读取两帧图像（灰度图）Mat frame1 = imread( "/media/dingxin/data/study/OpenCV/sources/images/frame1.png", IMREAD_GRAYSCALE );Mat frame2 = imread( "/media/dingxin/data/study/OpenCV/sources/images/frame2.png", IMREAD_GRAYSCALE );if ( frame1.empty() || frame2.empty() ){std::cerr << "无法加载图像" << std::endl;return -1;}// Step 2: 上传到 GPUGpuMat d_frame1, d_frame2;d_frame1.upload( frame1 );d_frame2.upload( frame2 );// Step 3: 检测角点作为追踪起点std::vector< Point2f > corners;goodFeaturesToTrack( frame1, corners, 500, 0.01, 10 );  // 最多检测500个角点// Step 4: 转换为 GPU 可用数组GpuMat d_prevPts;// 构造一行多列的 CV_32FC2 格式 MatMat m_prevPts( 1, corners.size(), CV_32FC2 );for ( size_t i = 0; i < corners.size(); ++i ){m_prevPts.at< cv::Vec2f >( 0, i ) = cv::Vec2f( corners[ i ].x, corners[ i ].y );}d_prevPts.upload( m_prevPts );// Step 5: 创建稀疏光流对象Ptr< cuda::SparsePyrLKOpticalFlow > lk = cuda::SparsePyrLKOpticalFlow::create();// Step 6: 准备输出变量GpuMat d_nextPts;GpuMat d_status;GpuMat d_err;// Step 7: 计算稀疏光流lk->calc( d_frame1, d_frame2, d_prevPts, d_nextPts, d_status, d_err );// Step 8: 下载结果Mat nextPts, status;d_nextPts.download( nextPts );d_status.download( status );// Step 9: 绘制跟踪结果Mat output;cv::cvtColor( frame1, output, COLOR_GRAY2BGR );// 注意：status 和 nextPts 都是单行矩阵，所以使用 (0, i)for ( int i = 0; i < status.cols; ++i ){if ( ( int )status.at< uchar >( 0, i ) == 1 ){Point2f pt1 = corners[ i ];Point2f pt2 = nextPts.at< Point2f >( 0, i );// 确保点在图像范围内if ( pt2.x >= 0 && pt2.y >= 0 && pt2.x < frame1.cols && pt2.y < frame1.rows ){line( output, pt1, pt2, Scalar( 0, 255, 0 ), 1 );circle( output, pt2, 2, Scalar( 0, 0, 255 ), -1 );}}}imshow( "Sparse PyrLK Optical Flow", output );waitKey( 0 );return 0;
}

运行结果