光流分析是计算机视觉中的重要技术，用于检测视频序列中物体的运动模式。本文将介绍如何使用OpenCV和Python实现一个实时的光流分析系统，该系统能够检测运动、生成热力图并提供详细的统计分析。

技术概述

本系统基于Farneback稠密光流算法，能够：

1. 实时计算视频帧之间的运动向量

2. 生成运动热力图可视化

3. 提供多种统计分析（均值、中位数、众数等）

4. 显示历史数据趋势图表

核心代码解析

初始化设置

class DenseOpticalFlow:def __init__(self):self.init_parameters()self.prev_time = Noneself.fps = 30# 历史统计数据self.max_history_length = 100self.displacement_history = deque(maxlen=self.max_history_length)self.mean_history = deque(maxlen=self.max_history_length)self.median_history = deque(maxlen=self.max_history_length)self.mode_history = deque(maxlen=self.max_history_length)self.speed_history = deque(maxlen=self.max_history_length)

使用deque数据结构来存储历史数据，自动维护固定长度的历史记录。

光流计算

def do(self, frame, device="cpu"):current_time = cv2.getTickCount() / cv2.getTickFrequency()gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 计算光流flow = cv2.calcOpticalFlowFarneback(self.prev_gray, gray_frame, None,self.flow_params["pyr_scale"], self.flow_params["levels"],self.flow_params["winsize"], self.flow_params["iterations"],self.flow_params["poly_n"], self.flow_params["poly_sigma"],self.flow_params["flags"])

使用OpenCV的calcOpticalFlowFarneback函数计算稠密光流，该算法能够为每个像素点生成运动向量。

数据处理与可视化

# 计算运动幅值
magnitude, _ = cv2.cartToPolar(flow[...,0], flow[...,1])# 排除0值，只分析实际运动区域
nonzero_magnitude = magnitude[magnitude > 0]# 生成热力图
magnitude_norm = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)
heatmap = cv2.applyColorMap(np.uint8(magnitude_norm), cv2.COLORMAP_INFERNO)
通过极坐标转换获取运动幅值，并使用INFERNO色彩映射生成热力图，红色表示高强度运动，蓝色表示低强度运动。

统计分析

# 计算统计量
if len(nonzero_magnitude) > 0:mean_val = float(np.mean(nonzero_magnitude))median_val = float(np.median(nonzero_magnitude))mode_val = float(stats.mode(nonzero_magnitude, keepdims=True)[0][0])
else:mean_val = median_val = mode_val = 0.0# 更新历史数据
self.mean_history.append(mean_val)
self.median_history.append(median_val)
self.mode_history.append(mode_val)

系统计算三种主要统计量：

• 均值：运动幅值的平均值

• 中位数：运动幅值的中位数，对异常值不敏感

• 众数：最常见的运动幅值

可视化界面

def add_statistics_chart(self, side_by_side, magnitude):# 创建matplotlib图表fig = plt.figure(figsize=(width/100, chart_height/100), dpi=100)gs = fig.add_gridspec(1,2, width_ratios=[1,1], wspace=0.3)# 左图：当前帧位移分布直方图ax1 = fig.add_subplot(gs[0])if len(magnitude) > 0:ax1.hist(magnitude.flatten(), bins=30, color="green", alpha=0.7)# 右图：历史统计趋势线ax2 = fig.add_subplot(gs[1])x_vals = np.arange(len(self.mean_history))if len(x_vals) > 0:ax2.plot(x_vals, list(self.mean_history), label="Mean", color="blue")ax2.plot(x_vals, list(self.median_history), label="Median", color="orange")ax2.plot(x_vals, list(self.mode_history), label="Mode", color="green")

可视化界面分为两部分：

1. 左侧直方图：显示当前帧的运动幅值分布

2. 右侧折线图：显示最近100帧的统计趋势

应用场景

1. 运动检测与监控

• 检测监控视频中的异常运动

• 统计人流量和运动模式

• 识别运动方向和强度

2. 体育分析

• 分析运动员的运动轨迹

• 计算运动速度和加速度

• 评估运动表现

3. 交通监控

• 检测车辆运动

• 分析交通流量

• 识别交通违规行为

4. 科学研究

• 动物行为研究

• 流体动力学分析

• 微观粒子运动跟踪

结论

本文介绍的光流分析系统提供了一个完整的运动检测解决方案，结合了实时处理、统计分析和可视化功能。通过OpenCV和Python的强大组合，开发者可以轻松实现各种运动相关的计算机视觉应用。

该系统具有良好的可扩展性，可以根据具体需求添加更多功能，如物体跟踪、行为识别和高级统计分析。无论是学术研究还是工业应用，这都是一个强大的基础框架。

对 PiscTrace or PiscCode感兴趣？更多精彩内容请移步官网看看～🔗 PiscTrace