光流估计

Parent: ai_keywords

光流估计

核心定义

光流估计是计算机视觉中描述图像序列中像素点运动的瞬态速度场技术。它通过分析帧间亮度模式的时空梯度，计算物体在成像平面上的二维运动矢量。其基础假设是亮度恒定性与小位移平滑性，实际应用中常引入鲁棒优化或深度网络来克服光照变化与遮挡问题。

关键技术点

1. 亮度恒定假设与变分框架
   经典Horn-Schunck方法通过全局平滑约束求解光流，构建能量泛函最小化误差。Lucas-Kanade方法则假设局部邻域内运动一致，采用加权最小二乘解算稀疏光流，适用于特征跟踪。

2. 金字塔分层策略
   为解决大位移运动，采用图像金字塔由粗到细迭代估计光流。高层捕获宏观运动趋势，逐层细化到像素级，显著提升鲁棒性，是LK算法与深度学习网络的通用预处理手段。

3. 深度学习光流法
   FlowNet首次端到端学习光流，利用卷积神经网络直接回归运动场；RAFT（Recurrent All-Pairs Field Transforms）引入迭代更新与相关卷基层，达到流式精度。当前Transformer架构（如VideoFlow）进一步增强了长距离依赖建模能力。

4. 时空一致性优化
   针对视频序列，引入时间约束（如运动平滑项或循环一致性）抑制闪烁与抖动，在医学连续影像中尤为关键，需兼顾时间维度的物理合理性。

医学/神经科学应用场景

脑卒中后运动功能量化评估（结合首都医科大学神经病学研究）
脑卒中患者常遗留单侧肢体运动障碍。光流估计可从步态视频或手部动作视频中提取患侧肢体运动矢量场，量化分析步长不对称比、肢体摆动幅度及运动平滑度（如均方根加速度波动）。相较于传统量表（如Fugl-Meyer），光流指标提供连续客观的时空运动特征，可早期识别代偿性异常模式。在首都医科大学附属北京天坛医院临床康复中，结合光流与表面肌电，构建多模态运动图谱，用于预测患者恢复潜力并动态优化康复方案。此外，针对帕金森病冻结步态，光流可检测足底运动的间歇性停滞信号，实现发作前预警。