基于视觉感知的车门开启提示系统设计(3)
随着光流法的不断发展，由于光流携带了物体的运动信息和有关景物三文结构信
息，而且它能够在不需要知道场景信息的情况下，实现对运动物体的检测，因此光流
法正受到越来越多的研究人员关注和应用。然而，在光流获得广泛应用的同时，其缺
点也在不断的显现，下面本文就对其中的主要问题进行简要叙述。
1.3.1 大位移问题
许多光流方法如Lucas-Kanade 法或 Horn-Schunck 法，为便于计算，其模型中的
光照约束条件常常使用一阶泰勒近似。因为忽略了所有的高阶项，因此这些方法仅对
小位移向量有效，无法捕捉大位移或是在大位移条件下测量结果相当差[21]
。而在实际
生活中，大位移的运动是显而易见的，因此光流法需要能够处理大位移。
1.3.2 鲁棒性问题与精确性问题
鲁棒性和精确性是使用光流法时所需考虑的两个重要的问题，它们分别反映了光
流法对环境的适应能力和光流法的应用能力。实际的应用环境存在着许多涉及到光流
法鲁棒性的问题，例如光源亮度的变化、物体间的遮挡关系、物体的透明性和表面的
反射问题、图像序列获取设备在环境中的运动以及图像获取设备本身产生的噪声等。
因为这些问题的产生，常常导致光流场基本方程中的灰度值恒定假设条件不能满足，
这样就会影响到光流法求得的光流场的精确程度，从而影响到光流法的使用。所以，
怎样提高光流算法的鲁棒性和精确性对光流法来说至关重要。
1.3.3 实时性问题
实时性是光流估计的一大挑战。精确的光流法能够生成稠密光流场并且被设计为
能够保持不连续性正确估计大位移并能够在噪声和光照变化的条件下表现良好。然而
这类方法在计算时间方面非常耗时：为获得所需结果，通常要求解一个或多个大线性或非线性方程组；或是在算法中使用了过多的假设和约束条件，需要在计算时进行大
量的优化。于是，在提高了光流计算的鲁棒性和精确性的同时，光流法在实时方面的
表现却大打折扣[9]
由于不同的光流方法在产生的光流场在鲁棒性、精确性、实时性等存在着较大的
差异，而产生的光流场又直接影响到图像序列中运动物体的识别与提取；因此，本文
分别使用均具有金字塔形结构的 Lucas-Kanade 法、Horn-Schunck 法和 Brox 等人的
Warping 法对光流场进行计算并分析，然后对所获得的光流场进行处理，找出影响车
门开启的运动目标。
2 光流场求解
2．1 有关假设与方法
为便于介绍 Lucas-Kanade 法、Horn-Schunck 法和 Brox 等人的 Warping 法,本文
先介绍这些方法中所使用的一些假设与方法。
2.1.1 灰度值恒定假设
灰度值恒定假设是大多数光流法所使用的一种假设。该假设认为，两个相邻图像
帧中的相对应的像素点并没有因为移动而发生变化[5][21]
这里，