里面有代码和视频，还有一些WORD的讲解文档，一共8个文件，4个.C代码，一个视频，一个代码理解，一个固件编译下载，一个光流入门PDF

带光流的SORT 扩展SORT的卡尔曼滤波器测量模型，以添加从“光流”中得出的速度分量。 这是我与德国航空航天中心合作完成的计算机科学学士学位论文的一部分。 尽管不用于行人跟踪，但可以评估该方法并将其与数据集一起使用。 基本思想可以概括为： 以边界框的形式获取感兴趣的区域，并检测该区域中的特征点。 计算检测到的特征点到框之前的光通量，以提供速度。 根据最低的马氏距离选择更新速度。 使用检测和/或速度更新轨道的卡尔曼滤波器。 为了检测特征点，我使用OpenCV ，稀疏光流的计算是通过OpenCV稳健局部光流（RLOF）的来完成的。 此实现在具有64GB RAM的AMD Ryzen7 3700X的数据集上以〜50FPS的速度运行，每个检测最多具有50个特征点，RLOF的设置为： useIlluminationModel = false ; useInitialFlow = f

matlab 视差图计算代码光流视差误差计算和可视化 该存储库通过基于真实值评估和可视化流误差和视差误差，为光流算法提供了比较工具。 该代码已在 MATLAB 中实现，它以一种易于使用的方式集成了计算、可视化和编程。 快速开始 为了快速理解基本概念和实现，运行 demo.m，它接受地面实况和估计的流量和视差图作为光流误差和视差误差计算和显示的输入。 光流数据集 请参阅这篇关于“光流算法的评估数据集和基准：综述”的评论论文，以选择优选数据集以用于特定任务和培训的关键实施： 用法 流程演示 flow_read() → 从 PNG 图像加载流场 F flow_visualization → 以 u 和 v 作为函数的输入显示光流的颜色图和可视化（这里 u 和 v 分别指流场的水平和垂直分量）并输出循环编码的 uint8 图像flow_error → 计算流场和地面实况之间的流量误差flow_error_image → 显示流场和地面实况之间的流动误差flow_write → 将流场 F 保存为 png 格式 立体声演示 disp_read() → 从 PNG 图像加载视差图 D stereo

用python编的基于光流的目标跟踪

LK.tar.gz--光流数据

人脸检测与追踪 使用CamShift，卡尔曼滤波器，光流的人脸检测和跟踪 客观的 ： 在电影的第一帧中检测面部 使用预训练的Viola-Jones检测器 使用以下方法跟踪电影中的脸部： CAMShift 粒子过滤器 人脸检测器+卡尔曼滤波器（总是运行kf.predict（），并在获得新的人脸检测时运行kf.correct（）） 人脸检测器+光流跟踪器（人脸检测器发生故障时，请使用OF跟踪器）。

python语言！~python语言！~稠密光流法与KL光流法，帧间差分法，背景建模法，vibe检测算法等。对于不同视频效果不同。不要认为适合所有。

基于光流的动态背景运动目标检测算法。 本文在分析HS算法运算量的基础上，提出一种结合金字塔Lucas－Kanade( LK) 光流和HS光流的动态场景运动目标检测算法

该代码实现了 Gautama, T. 和 Van Hulle, MM (2002) 中描述的光流算法。 使用空间滤波的基于相位的光流场估计方法，IEEE Trans。 神经网络，13（5），1127--1136。 该算法分 3 个步骤进行1.空间过滤2. 相位梯度估计3.使用循环网络的IOC

基于光流法+配准的动目标检测算法，算法适用于复杂背景，即背景的特征点数量大于目标的特征点数量。