我对 Lucas-Kanade 光流法 "Intensity" 的理解正确吗？
Is my understanding right about "Intensity" of Lukas-Kanade method of optical flow?
来自“http://docs.opencv.org/3.1.0/d7/d8b/tutorial_py_lucas_kanade.html”，它说强度是梯度。 f(x), f(y) 是梯度，而 f(t) 同样是随时间的梯度。我的困惑现在开始了。在上面link中，f(x)和f(y)也是导数形式，但是我们无法计算沿x和y的导数，因为我们不知道同一个点去哪里，实际上这就是我们要去的在这个方法中找到。所以我想知道它说的是什么，因为它说 f(t) 是一个点沿时间的梯度所以，我可以假设 f(t) 像几个特定周期和 f(x ) 和 f(y) 是在收集 f(t) 梯度平均值的每个周期收集的？
例如，如果每 20 毫秒计算一次 f(t)，并尝试每 100 毫秒计算一次平均值。每 100 毫秒计算一次 f(x) 和 f(y)。我的理解对吗？
如果错了，f(x), f(y), f(t)有什么区别？
他们假设每个像素的强度不随时间变化。基于这个假设，可以计算出光流公式，得到U和V的值，也就是运动的向量。
令 I(x,y) 为像素位置 (x,y) 处的强度值，而不是描述中的 fx(x,y) 是 x 方向上的导数，而 fy(x,y)在 y 方向和 ft(x,y) 在位置 (x,y) 的时间方向。
然而，在我们程序的离散世界中，我们只能近似这些导数，我们也称之为梯度。因此，例如可以使用 Sobel 过滤器。或者以更简单的方式差分运算符，即
fx(x,y) = I(x,y) - I(x-1,y)
fy(x,y) = I(x,y) - I(x,y-1)
类似的是时间梯度，但现在与先前图像的图像强度 A(x,y)
ft(x,y) = I(x,y) - A(x,y)
理想情况下，在实践中，A 比 I 早一帧，但理论上 A 可以取自更多之前的帧，但这会降低 ft 的准确性。
来自“http://docs.opencv.org/3.1.0/d7/d8b/tutorial_py_lucas_kanade.html”，它说强度是梯度。 f(x), f(y) 是梯度，而 f(t) 同样是随时间的梯度。我的困惑现在开始了。在上面link中，f(x)和f(y)也是导数形式，但是我们无法计算沿x和y的导数，因为我们不知道同一个点去哪里，实际上这就是我们要去的在这个方法中找到。所以我想知道它说的是什么，因为它说 f(t) 是一个点沿时间的梯度所以，我可以假设 f(t) 像几个特定周期和 f(x ) 和 f(y) 是在收集 f(t) 梯度平均值的每个周期收集的？
例如，如果每 20 毫秒计算一次 f(t)，并尝试每 100 毫秒计算一次平均值。每 100 毫秒计算一次 f(x) 和 f(y)。我的理解对吗？
如果错了，f(x), f(y), f(t)有什么区别？
他们假设每个像素的强度不随时间变化。基于这个假设，可以计算出光流公式，得到U和V的值，也就是运动的向量。
令 I(x,y) 为像素位置 (x,y) 处的强度值，而不是描述中的 fx(x,y) 是 x 方向上的导数，而 fy(x,y)在 y 方向和 ft(x,y) 在位置 (x,y) 的时间方向。 然而，在我们程序的离散世界中，我们只能近似这些导数，我们也称之为梯度。因此，例如可以使用 Sobel 过滤器。或者以更简单的方式差分运算符，即
fx(x,y) = I(x,y) - I(x-1,y)
fy(x,y) = I(x,y) - I(x,y-1)
类似的是时间梯度，但现在与先前图像的图像强度 A(x,y)
ft(x,y) = I(x,y) - A(x,y)
理想情况下，在实践中，A 比 I 早一帧，但理论上 A 可以取自更多之前的帧，但这会降低 ft 的准确性。