在本系列blog中的http://blog.csdn.net/andymfc/article/details/53316404文章中，已經對光流定位的原理進行了詳細的分析，詳細介紹了著名的lucas-kanade光流演算法，本期，將帶大家一起在dragonboard 410c上來用Python程式設計實現光流演算法，雖然Python語言編寫出來的處理效率不高，但是便於我們理解整個光流演算法應用方法，並且後續我們使用C或者其他高效率的語言來實現光流演算法會變得更簡單。

     在實現光流分析的過程中，我們使用cv2模組提供的演算法介面來實現光流計算，在cv2中也就是opencv提供的Python介面，lucas-kanade演算法被封裝在cv2.calcOpticalFlowPyrLK（）函式中，通過該介面可以方便的建立光流處理程式。但是在實現中我們首先要確定我們要跟蹤的點，然後才能使用lucas-kanade演算法來對這些點進行迭代跟蹤，接下來參考cv2中提供的Python例程程式碼詳細介紹利用cv2提供的光流計算處理函式介面如何完成基於光流的跟蹤實現，其核心程式碼如下：

     首先為了方便呼叫cv2.calcOpticalFlowPyrLK演算法，我們需要定義一個演算法引數結構體，確定演算法引數，用Python定義如下：

     lk_params = dict( winSize  = (15, 15), 
                  maxLevel = 2, 
                  criteria = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03),
                  derivLambda = 0.0 )  

     同時在呼叫cv2.calcOpticalFlowPyrLK演算法的時候我們還需要呼叫cv2.goodFeatureToTrack函式來確定需要跟蹤的點，所以還需要給該介面傳遞一個引數，具體定義如下：

     feature_params = dict( maxCorners = 500, 
                       qualityLevel = 0.3,
                       minDistance = 7,
                       blockSize = 7 )

     完成引數定義後，就可以開始編寫核心程式碼了，這裡我們在讀取視訊幀的時候，根據前文的分析可以知道，光流演算法需要依靠前後幀的資料來進行分析，所以在讀取視訊第一幀的時候，我們還需要在第0幀的時候進行初始化處理，這裡使用便利frame_idx和detect_interval兩個引數來進行控制，對第一幀進行處理，其中前者為幀數，後者為檢測間隔，在這裡初始化處理主要是需要找到適合跟蹤的點，具體程式碼如下：

     if self.frame_idx % self.detect_interval == 0:
                mask = np.zeros_like(frame_gray)
                mask[:] = 255
                for x, y in [np.int32(tr[-1]) for tr in self.tracks]:
                    cv2.circle(mask, (x, y), 5, 0, -1)
                p = cv2.goodFeaturesToTrack(frame_gray, mask = mask, **feature_params)
                if p is not None:
                    for x, y in np.float32(p).reshape(-1, 2):
                        self.tracks.append([(x, y)])

    完成第一幀處理後，就需要進一步對後續幀進行處理，這裡處理其實就是一個迴圈迭代的過程，不斷的根據前後幀來執行光流演算法，呼叫cv2calcOpticalFlowPyrLK函式來計算光流資料，這裡通過tracks引數來進行控制，核心程式碼如下：

     if len(self.tracks) > 0:
                img0, img1 = self.prev_gray, frame_gray
                p0 = np.float32([tr[-1] for tr in self.tracks]).reshape(-1, 1, 2)
                p1, st, err = cv2.calcOpticalFlowPyrLK(img0, img1, p0, None, **lk_params)
                p0r, st, err = cv2.calcOpticalFlowPyrLK(img1, img0, p1, None, **lk_params)
                d = abs(p0-p0r).reshape(-1, 2).max(-1)
                good = d < 1
                new_tracks = []
                for tr, (x, y), good_flag in zip(self.tracks, p1.reshape(-1, 2), good):
                    if not good_flag:
                        continue
                    tr.append((x, y))
                    if len(tr) > self.track_len:
                        del tr[0]
                    new_tracks.append(tr)
                    cv2.circle(vis, (x, y), 2, (0, 255, 0), -1)
                self.tracks = new_tracks
                cv2.polylines(vis, [np.int32(tr) for tr in self.tracks], False, (0, 255, 0))
                draw_str(vis, (20, 20), 'track count: %d' % len(self.tracks)) 

     以上就是整個光流演算法進行點跟蹤的處理核心過程，完整程式碼可以參考

     在dragonboard 410c開發板上搭好滑鼠鍵盤和顯示器，我們就可以使用該指令碼在上面執行測試了，具體效果如下：

     下期blog，將在該程式碼的基礎上，進一步實現如何利用光流法來對運動的目標進行跟蹤。