Flusso ottico

Flusso ottico sparso calcolato su una simulazione di un allunaggio. Il flusso ottico è rappresentato da frecce verdi.

Il flusso ottico (in inglese optical flow o optic flow) è il movimento apparente degli oggetti, o, più in generale, delle caratteristiche visive, causato dal movimento relativo fra un'osservatore e l'ambiente circostante; descrive come l'immagine si sposta sulla retina (o sul piano immagine) quando l'osservatore si muove nello spazio o quando si muovono gli oggetti intorno a lui.[1][2]

Il flusso ottico è un concetto fondamentale sia nella visione biologica, dove il termine è stato originariamente introdotto, sia nella visione artificiale, dove viene formalizzato come un campo bidimensionale che associa ad ogni punto dell'immagine una velocità apparente. Nella pratica, il flusso ottico trova numerose applicazioni in ambiti che vanno dalla navigazione e la stabilizzazione nei sistemi animali ai sistemi di guida autonoma, al tracciamento di oggetti e alla ricostruzione del movimento in sequenze video.[3]

Storia

Il concetto di flusso ottico nasce nell'ambito della psicologia della percezione, prima ancora di essere formalizzato matematicamente nella visione artificiale. Le sue origini sono legate allo studio del volo degli aerei durante la seconda guerra mondiale: diversi ricercatori, lavorando in modo pressoché indipendente per le forze armate britanniche e statunitensi, osservarono che il pattern di movimento apparente del terreno visto dal pilota durante l'atterraggio fornisce informazioni affidabili sulla quota, sulla velocità e sulla direzione di volo dell'aereo.[3]

Il nome più comunemente associato a questa scoperta è quello dello psicologo statunitense James J. Gibson, che nel 1947, lavorando per l'Aviazione dell'esercito statunitense alla selezione e all'addestramento dei piloti, descrisse per la prima volta in un rapporto interno il pattern di espansione radiale percepito da un pilota durante l'avvicinamento alla pista. Gibson introdusse poi il termine flow ("flusso") nel suo libro del 1950 The Perception of the Visual World, e il termine più specifico optical flow in un lavoro successivo del 1955, in cui il fenomeno viene per la prima volta analizzato anche dal punto di vista geometrico e matematico. Ricerche più recenti hanno tuttavia mostrato che, prima e indipendentemente da Gibson, anche lo psicologo britannico Gwilym C. Grindley e l'ingegnere Edward S. Calvert avevano condotto studi simili.[3]

La formalizzazione computazionale del flusso ottico, cioè la sua trattazione come problema da risolvere algoritmicamente a partire da sequenze di immagini digitali, arriva solo a partire dalla fine degli anni '70, nell'ambito della nascente disciplina della visione artificiale. Uno dei primi lavori a occuparsi esplicitamente del problema è quello di Fennema e Thompson del 1979.[4] La sua formulazione più influente risale però al 1981, quando, indipendentemente l'uno dall'altro, vengono pubblicati sia il metodo di Horn e Schunck sia quello di Lucas e Kanade, tuttora alla base, rispettivamente, dei metodi globali e dei metodi locali di stima del flusso ottico descritti più avanti in questa voce.[1][5][6][7]

Metodi di stima del flusso ottico

Dati due fotogrammi consecutivi, esistono numerosi metodi per stimare il flusso ottico fra i due. Essi possono essere divisi in metodi tradizionali, chiamati anche knowledge-driven methotds ("metodi guidati dalla conoscenza"), metodi basati sull'apprendimento automatico, chiamati anche data-driven methods ("metodi guidati dai dati"), e metodi ibridi, che usano cioè elementi di entrambi gli altri due tipi.[8][9][10][11]

Metodi tradizionali

La maggior parte dei metodi tradizionali di stima del flusso ottico si basa sull'ipotesi di luminosità costante (constant brightness assumption),[1][5][6] secondo cui l’intensità luminosa di un punto della scena rimane circa costante tra due fotogrammi, anche se la sua posizione cambia. Se indichiamo con la luminosità del punto al tempo , e con lo spostamento fra un punto in un fotogramma e il punto corrispondente nel fotogramma successivo, abbiamo quindi che

,

dove e sono rispettivamente la componente orizzontale e verticale del flusso ottico nel punto . Assumendo che lo spostamento sia sufficientemente piccolo, questa relazione può essere linearizzata tramite uno sviluppo in serie di Taylor al primo ordine, ottenendo

.

Questa relazione da sola non è tuttavia sufficiente a calcolare il flusso, in quanto per ogni punto abbiamo due incognite e una sola equazione, generando quindi un sistema sottodeterminato. Per questo motivo è necessario introdurre un vincolo aggiuntivo che renda il problema determinato. A seconda del tipo di vincolo utilizzato, i metodi tradizionali si dividono principalmente in metodi globali e metodi locali.[12][13]

Metodo di Horn e Schunck

Uno dei primi e più influenti metodi globali è quello proposto da Horn e Schunck nel 1981.[1] Oltre all'ipotesi di luminosità costante, esso introduce un vincolo di regolarità (o smoothness constraint), secondo cui il campo di flusso ottico varia in modo graduale nello spazio, evitando quindi variazioni brusche fra pixel vicini. Il flusso ottico viene calcolato minimizzando un funzionale dell'energia globale composto da un termine di errore, legato alla violazione dell'ipotesi di luminosità costante, e da un termine di regolarizzazione, legato alla variazione spaziale di e :

dove , e sono le derivate parziali della luminosità rispetto a , e , e è un parametro che pesa il contributo del termine di regolarizzazione. Il metodo produce un campo di flusso denso, cioè definito su ogni pixel dell'immagine, ma tende ad essere sensibile al rumore e poco accurato in corrispondenza dei bordi degli oggetti, dove il vincolo di regolarità viene violato.[1][6]

Metodo di Lucas e Kanade

Un approccio alternativo, di tipo locale, è quello proposto da Lucas e Kanade nel 1981.[5] Invece di imporre un vincolo di regolarità globale, questo metodo assume che il flusso ottico sia approssimativamente costante all'interno di una piccola finestra (o patch) attorno a ciascun pixel. Sotto questa ipotesi, l'equazione di luminosità costante viene applicata a tutti i pixel della finestra, ottenendo un sistema di equazioni lineari :

dove sono i pixel all'interno della patch. Essendo questo sistema generalmente sovradeterminato, può essere risolto con il metodo dei minimi quadrati:

Il metodo di Lucas-Kanade è computazionalmente efficiente e robusto al rumore, ma in genere fornisce un campo di flusso sparso, affidabile principalmente nelle zone dell'immagine con sufficiente texture o gradiente di intensità (come angoli e bordi), risultando invece indeterminato nelle zone uniformi.[5][6][13]

Il tracker KLT

Nella pratica, il metodo di Lucas e Kanade viene raramente applicato a ogni pixel dell'immagine, poiché fornisce stime affidabili solo nelle zone con sufficiente gradiente di intensità in più direzioni. È quindi comune applicarlo solo su un insieme sparso di punti selezionati tramite un apposito algoritmo di individuazione delle caratteristiche visuali (feature detection). Questa combinazione, nota come tracker KLT (Kanade-Lucas-Tomasi), nasce da un filone di lavori successivi a quello originale del 1981: Tomasi e Kanade, nel 1991, propongono un criterio per selezionare i punti "buoni" da tracciare basandosi sugli autovalori della stessa matrice utilizzata nella soluzione ai minimi quadrati di Lucas-Kanade;[7] Shi e Tomasi, nel 1994, perfezionano questo criterio nell'articolo Good Features to Track, oggi alla base della funzione goodFeaturesToTrack della libreria OpenCV.[14] Infine, Bouguet propone un'implementazione piramidale (multi-risoluzione) del tracciamento, che estende l'applicabilità del metodo anche a spostamenti di grande entità tra un fotogramma e l'altro, altrimenti incompatibili con l'ipotesi di piccolo spostamento alla base della formulazione originale.[15]

Metodi basati sull'apprendimento automatico

A partire dalla metà degli anni 2010, con la diffusione delle reti neurali convoluzionali (CNN), sono stati proposti metodi che imparano a stimare il flusso ottico direttamente da grandi quantità di dati, senza fare affidamento esplicito sull'ipotesi di luminosità costante o su altri vincoli. Il primo esempio significativo è FlowNet, che formula la stima del flusso come un problema di apprendimento supervisionato risolto tramite una rete convoluzionale end-to-end, addestrata su un ampio dataset sintetico generato appositamente.[16] A questo approccio sono seguiti numerosi perfezionamenti, come FlowNet 2.0, PWC-Net e, più recentemente, RAFT (Recurrent All-Pairs Field Transforms), che ha introdotto l'uso di un volume di correlazione multi-scala aggiornato iterativamente tramite una rete ricorrente, raggiungendo risultati allo stato dell'arte su diversi benchmark di riferimento come Sintel e KITTI.[17][18][19]

I metodi basati sull'apprendimento automatico ottengono generalmente prestazioni superiori ai metodi tradizionali in presenza di grandi spostamenti, occlusioni e variazioni di illuminazione, ma richiedono grandi quantità di dati durante la fase di addestramento e possono generalizzare male in scenari molto diversi da quelli osservati in fase di addestramento. Inoltre hanno un costo computazionale più elevato e richiedono schede video o altro hardware dedicato per poter essere eseguiti in tempo reale.[9][13]

Dataset di riferimento e metriche di valutazione

Per confrontare in modo oggettivo le prestazioni dei diversi metodi di stima del flusso ottico, la comunità scientifica fa affidamento su alcuni dataset di riferimento (benchmark), che forniscono coppie di fotogrammi accompagnate da un flusso ottico di ground truth (letteralmente "verità di base"), ovvero un flusso ottico noto con precisione, insieme a metriche standardizzate per misurare l'accuratezza delle stime prodotte da un dato metodo.[13]

I dataset per il flusso ottico possono essere sintetici o reali, a seconda che le immagini presenti siano state rispettivamente generate con un programma di rendering o acquisite con una camera. A causa delle difficoltà legate ad ottenere un ground truth preciso per sequenze reali, i dataset reali sono meno comuni. Uno dei più usati è il KITTI Vision Benchmark Suite, che raccoglie scene reali riprese da una telecamera montata su un veicolo in movimento nel traffico urbano, includendo condizioni di illuminazione, meteo e superfici particolarmente difficili da gestire per i metodi di stima del flusso.[13][20]

Fra i dataset sintetici si annoverano invece MPI-Sintel, ricavato dal cortometraggio d'animazione open source Sintel, e FlyingChairs e FlyingThings3D, generati sovrapponendo oggetti 3D renderizzati a sfondi casuali per produrre automaticamente un numero elevato di coppie di immagini con ground truth noto.[13][21]

Le metrica più comunemente utilizzata per valutare l'accuratezza di una stima di flusso ottico sono l'errore di punto finale (end-point error, EPE) e l'errore angolare (angular error, AE). Il primo è definito come la distanza euclidea media, calcolata su tutti i pixel dell'immagine, fra il vettore di flusso stimato e quello di verità, mentre il secondo misura la differenza fra l'orientamento dei vettori di flusso stimati e quelli di verità. Esistono poi altre metriche per valutare il comportamento dei metodi di stima in scenari particolarmente complessi, come ad esempio "l'errore di punto finale senza corrispondenza" (end-point error unmatched) che viene utilizzato nel dataset MPI-Sintel per misurare l'errore in regioni visibili in uno solo dei due fotogrammi consecutivi.[13]

Applicazioni

Il flusso ottico può essere usato per stimare il movimento degli altri veicoli in un sistema di guida autonoma.[22]

Il flusso ottico trova impiego in numerosi ambiti della visione artificiale e della biologia, dalla guida autonoma alla comprensione di video, fino allo studio della navigazione negli animali. In ambito automobilistico, areospaziale e robotico, viene usato per stimare il moto proprio di un veicolo o di un robot rispetto all'ambiente circostante (ego-motion) e per individuare ostacoli o altri veicoli in movimento, anche se questo tipo di applicazione risulta particolarmente sensibile alla presenza di spostamenti di grande entità fra un fotogramma e l'altro, ad esempio durante manovre rapide.[23][24][25]

Nell'elaborazione video, il flusso ottico è alla base di tecniche di stabilizzazione, che compensano i movimenti indesiderati della telecamera, e di alcune tecniche di compressione video,[26] che sfruttano la coerenza del movimento fra fotogrammi successivi per ridurre la quantità di dati da codificare. È inoltre uno degli strumenti più utilizzati per l'interpolazione di fotogrammi (frame interpolation), cioè la generazione di nuovi fotogrammi intermedi fra due esistenti, utile ad esempio per aumentare artificialmente il frame rate di un video, anche se tecniche di interpolazione più recenti non ne fanno uso.[27] Questa stessa tecnica trova impiego anche in ambito medico, ad esempio per migliorare la risoluzione temporale di sequenze di imaging diagnostico come la risonanza magnetica.[28][29]

Il flusso ottico è ampliamente utilizzato per il tracciamento di oggetti

Il flusso ottico è inoltre ampiamente utilizzato per il tracciamento di oggetti (object tracking) in ambito sportivo, medico e di videosorveglianza, ed è una delle informazioni più usate per il riconoscimento automatico di azioni umane nei video (action recognition): combinato con reti neurali, il campo di flusso cattura la dinamica del movimento, permettendo di distinguere azioni diverse anche quando la sola informazione statica contenuta nei singoli fotogrammi non sarebbe sufficiente.[30]

Al di fuori dell'informatica, il flusso ottico svolge un ruolo cruciale nella navigazione e nella stabilizzazione visiva di numerosi sistemi biologici, dagli insetti ai primati. Le api e altri insetti volanti, ad esempio, utilizzano il flusso ottico percepito dai loro occhi composti per mantenere la distanza dagli ostacoli durante il volo in ambienti stretti, per regolare la velocità di volo e per stimare la distanza percorsa verso una fonte di cibo, funzionando come una sorta di contachilometri visivo.[31] Queste scoperte sul comportamento degli insetti, hanno inoltre ispirato lo sviluppo di sistemi di guida e stabilizzazione basati sul flusso ottico per droni e altri veicoli autonomi, e sistemi di atterraggio per piccoli veicoli spaziali.[32][33]

Flusso ottico e campo di moto

È importante distinguere il flusso ottico dal concetto strettamente correlato di campo di moto (motion field), cioè la proiezione sul piano dell'immagine del moto tridimensionale reale della scena. Il campo di moto è una grandezza puramente geometrica: dipende solo dalla velocità con cui i punti della scena si muovono nello spazio e dalla loro proiezione prospettica sul piano immagine, e non può essere osservato o misurato direttamente. Il flusso ottico, al contrario, è una stima di questa grandezza ricavata dalle variazioni dei pattern di luminosità osservati nell'immagine, ed è quindi l'unica delle due informazioni effettivamente accessibile a un sistema di visione, biologico o artificiale che sia. In altre parole, il flusso ottico è un'approssimazione del campo di moto basata su informazioni visive.[34]

Il problema dell'apertura

A causa del problema dell'apertura, non è possibile ricostruire il movimento di una struttura ripetitiva quando osservata all'interno di una finestra sufficientemente piccola. In questo caso anche all'occhio umano risulta impossibile ricostruire se il movimento sia dall'alto verso il basso, da sinistra verso destra, o entrambi.

Come accennato nella sezione sui metodi di stima, l'equazione derivante dall'ipotesi di luminosità costante fornisce, per ogni singolo punto dell'immagine, una sola equazione a fronte di due incognite (le componenti e del flusso). Geometricamente, questa equazione definisce non un singolo vettore di flusso, ma una retta nello spazio delle velocità possibili. Questa limitazione strutturale, comune a tutti i metodi differenziali basati su un'analisi puramente locale dell'immagine, è nota come problema dell'apertura.[35]

Il problema si manifesta in modo particolarmente evidente quando si osserva, attraverso una piccola apertura, un bordo rettilineo o una struttura ripetitiva (come una serie di strisce parallele) in movimento: qualunque sia la reale direzione dello spostamento, il pattern osservato all'interno della finestra risulta indistinguibile da uno spostamento puramente perpendicolare al bordo stesso.[35]

Non essendo possibile eliminare il problema dell'apertura analizzando un singolo punto in isolamento, tutti i metodi di stima del flusso ottico devono in qualche modo aggregare informazione proveniente da una regione più ampia dell'immagine: i metodi locali, come quello di Lucas-Kanade, lo fanno assumendo che il flusso sia costante all'interno di una piccola finestra, mentre i metodi globali, come quello di Horn-Schunck, impongono un vincolo di regolarità sull'intera immagine.[1][5][35]

Note

  1. 1 2 3 4 5 6 (EN) Berthold K.P. Horn e Brian G. Schunck, Determining optical flow, in Artificial Intelligence, vol. 17, n. 1-3, 1981-08, pp. 185–203, DOI:10.1016/0004-3702(81)90024-2. URL consultato il 30 giugno 2026 (archiviato dall'url originale il 29 aprile 2024).
  2. ↑ (EN) S. S. Beauchemin e J. L. Barron, The computation of optical flow, in ACM Computing Surveys, vol. 27, n. 3, 1995-09, pp. 433–466, DOI:10.1145/212094.212141. URL consultato il 30 giugno 2026.
  3. 1 2 3 (EN) Diederick C. Niehorster, Optic Flow: A History, in i-Perception, vol. 12, n. 6, 2021-11, DOI:10.1177/20416695211055766. URL consultato il 30 giugno 2026.
  4. ↑ (EN) C. L. Fennema e W. B. Thompson, Velocity determination in scenes containing several moving objects, in Computer Graphics and Image Processing, vol. 9, n. 4, 1979, pp. 301–315, DOI:10.1016/0146-664X(79)90097-2. URL consultato il 1º luglio 2026.
  5. 1 2 3 4 5 (EN) Bruce D. Lucas e Takeo Kanade, An iterative image registration technique with an application to stereo vision, in Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI '81), vol. 2, 1981, pp. 674–679. URL consultato il 1º luglio 2026.
  6. 1 2 3 4 (EN) Andrés Bruhn, Joachim Weickert e Christoph Schnörr, Lucas/Kanade Meets Horn/Schunck: Combining Local and Global Optic Flow Methods, in International Journal of Computer Vision, vol. 61, n. 3, 2005-02, pp. 211–231, DOI:10.1023/B:VISI.0000045324.43199.43. URL consultato il 1º luglio 2026.
  7. 1 2 (EN) Carlo Tomasi e Takeo Kanade, Detection and Tracking of Point Features (PDF), in Technical Report CMU-CS-91-132, Carnegie Mellon University, 1991. URL consultato il 1º luglio 2026.
  8. ↑ (EN) Mingliang Zhai, Xuezhi Xiang e Ning Lv, Optical flow and scene flow estimation: A survey, in Pattern Recognition, vol. 114, 2021-06, pp. 107861, DOI:10.1016/j.patcog.2021.107861. URL consultato il 30 giugno 2026.
  9. 1 2 (EN) Syed Tafseer Haider Shah e Xiang Xuezhi, Traditional and modern strategies for optical flow: an investigation, in SN Applied Sciences, vol. 3, n. 3, 2021-03, DOI:10.1007/s42452-021-04227-x. URL consultato il 30 giugno 2026.
  10. ↑ (EN) Jerome Revaud, Philippe Weinzaepfel e Zaid Harchaoui, DeepMatching: Hierarchical Deformable Dense Matching, in International Journal of Computer Vision, vol. 120, n. 3, 2016-12, pp. 300–323, DOI:10.1007/s11263-016-0908-3. URL consultato il 1º luglio 2026.
  11. ↑ Jerome Revaud, Philippe Weinzaepfel e Zaid Harchaoui, EpicFlow: Edge-Preserving Interpolation of Correspondences for Optical Flow, 2015, pp. 1164–1172. URL consultato il 1º luglio 2026.
  12. ↑ (EN) Denis Fortun, Patrick Bouthemy e Charles Kervrann, Optical flow modeling and computation: A survey, in Computer Vision and Image Understanding, vol. 134, 2015-05, pp. 1–21, DOI:10.1016/j.cviu.2015.02.008. URL consultato il 1º luglio 2026.
  13. 1 2 3 4 5 6 7 (EN) Andrea Alfarano, Luca Maiano e Lorenzo Papa, Estimating optical flow: A comprehensive review of the state of the art, in Computer Vision and Image Understanding, vol. 249, 2024-12, pp. 104160, DOI:10.1016/j.cviu.2024.104160. URL consultato il 1º luglio 2026.
  14. ↑ (EN) Jianbo Shi e Tomasi, Good features to track, IEEE Comput. Soc. Press, 1994, pp. 593–600, DOI:10.1109/CVPR.1994.323794. URL consultato il 1º luglio 2026.
  15. ↑ (EN) Jean-Yves Bouguet, Pyramidal Implementation of the Lucas Kanade Feature Tracker: Description of the Algorithm (PDF), in Technical Report, Intel Corporation, Microprocessor Research Labs, 2000. URL consultato il 1º luglio 2026.
  16. ↑ (EN) Alexey Dosovitskiy, Philipp Fischer e Eddy Ilg, FlowNet: Learning Optical Flow with Convolutional Networks, in Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2015-12, pp. 2758–2766. URL consultato il 1º luglio 2026.
  17. ↑ (EN) Eddy Ilg, Nikolaus Mayer e Tonmoy Saikia, FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks, 2016, DOI:10.48550/ARXIV.1612.01925. URL consultato il 1º luglio 2026.
  18. ↑ (EN) Deqing Sun, Xiaodong Yang e Ming-Yu Liu, PWC-Net: CNNs for Optical Flow Using Pyramid, Warping, and Cost Volume, 2018, pp. 8934–8943. URL consultato il 1º luglio 2026.
  19. ↑ (EN) Zachary Teed e Jia Deng, RAFT: Recurrent All-Pairs Field Transforms for Optical Flow, vol. 12347, Springer International Publishing, 2020, pp. 402–419, DOI:10.1007/978-3-030-58536-5_24, ISBN 978-3-030-58535-8. URL consultato il 1º luglio 2026.
  20. ↑ (EN) A Geiger, P Lenz e C Stiller, Vision meets robotics: The KITTI dataset, in The International Journal of Robotics Research, vol. 32, n. 11, 2013-09, pp. 1231–1237, DOI:10.1177/0278364913491297. URL consultato il 2 luglio 2026.
  21. ↑ MPI Sintel Dataset, su sintel.is.tue.mpg.de. URL consultato il 2 luglio 2026 (archiviato dall'url originale l'11 maggio 2026).
  22. ↑ (EN) Pengcheng Han, Junping Du e Jun Zhou, An Object Detection Method Using Wavelet Optical Flow and Hybrid Linear-Nonlinear Classifier, in Mathematical Problems in Engineering, vol. 2013, 2013, pp. 1–14, DOI:10.1155/2013/965419. URL consultato il 3 luglio 2026.
  23. ↑ Volker Grabe, Heinrich H. Bulthoff e Paolo Robuffo Giordano, Robust optical-flow based self-motion estimation for a quadrotor UAV, IEEE, 2012-10, pp. 2153–2159, DOI:10.1109/IROS.2012.6386234. URL consultato il 1º luglio 2026.
  24. ↑ (EN) Volker Grabe, Heinrich H. Bülthoff e Davide Scaramuzza, Nonlinear ego-motion estimation from optical flow for online control of a quadrotor UAV, in The International Journal of Robotics Research, vol. 34, n. 8, 2015-07, pp. 1114–1135, DOI:10.1177/0278364915578646. URL consultato il 1º luglio 2026.
  25. ↑ (EN) Haiyang Chao, Yu Gu e Marcello Napolitano, A Survey of Optical Flow Techniques for Robotics Navigation Applications, in Journal of Intelligent & Robotic Systems, vol. 73, n. 1-4, 2014-01, pp. 361–372, DOI:10.1007/s10846-013-9923-6. URL consultato il 1º luglio 2026.
  26. ↑ (EN) Zhihao Hu, Zhenghao Chen e Dong Xu, Improving Deep Video Compression by Resolution-Adaptive Flow Coding, vol. 12347, Springer International Publishing, 2020, pp. 193–209, DOI:10.1007/978-3-030-58536-5_12, ISBN 978-3-030-58535-8. URL consultato il 1º luglio 2026.
  27. ↑ (EN) Jiong Dong, Kaoru Ota e Mianxiong Dong, Video Frame Interpolation: A Comprehensive Survey, in ACM Transactions on Multimedia Computing, Communications, and Applications, vol. 19, 2s, 30 aprile 2023, pp. 1–31, DOI:10.1145/3556544. URL consultato il 1º luglio 2026.
  28. ↑ (EN) Stephen L. Keeling e Wolfgang Ring, Medical Image Registration and Interpolation by Optical Flow with Maximal Rigidity, in Journal of Mathematical Imaging and Vision, vol. 23, n. 1, 2005-07, pp. 47–65, DOI:10.1007/s10851-005-4967-2. URL consultato il 1º luglio 2026.
  29. ↑ (EN) Suhail Gulzar e Sakshi Arora, Optical Flow Video Frame Interpolation Based MRI Super-Resolution, Springer Nature Singapore, 2022, pp. 451–462, DOI:10.1007/978-981-16-9650-3_35, ISBN 978-981-16-9649-7. URL consultato il 1º luglio 2026.
  30. ↑ Shuyang Sun, Zhanghui Kuang e Wanli Ouyang, Optical Flow Guided Feature: A Fast and Robust Motion Representation for Video Action Recognition, 2017, DOI:10.48550/ARXIV.1711.11152. URL consultato il 1º luglio 2026.
  31. ↑ (EN) M. V. Srinivasan, S. W. Zhang e M. Lehrer, Honeybee Navigation En Route to the Goal: Visual Flight Control and Odometry, in Journal of Experimental Biology, vol. 199, n. 1, 1º gennaio 1996, pp. 237–244, DOI:10.1242/jeb.199.1.237. URL consultato il 1º luglio 2026.
  32. ↑ Abhi Veda, Muhammad Ihtisham Babar e Matthew Garratt, Bees in clutter: observing flight strategies to inspire visually guided autonomous navigation, in Bioinspiration & Biomimetics, vol. 21, n. 4, 31 agosto 2026, pp. 041001, DOI:10.1088/1748-3190/ae76a2. URL consultato il 1º luglio 2026.
  33. ↑ (EN) Dario Izzo e Guido de Croon, Landing with Time-to-Contact and Ventral Optic Flow Estimates, in Journal of Guidance, Control, and Dynamics, vol. 35, n. 4, 2012-07, pp. 1362–1367, DOI:10.2514/1.56598. URL consultato il 1º luglio 2026.
  34. ↑ (EN) Wei Shen, Chongjie Si e Chen Yang, Motion Field and Optical Flow, Springer Nature Singapore, 2026, pp. 305–322, DOI:10.1007/978-981-95-4835-4_17, ISBN 978-981-95-4834-7. URL consultato il 1º luglio 2026.
  35. 1 2 3 (EN) Simon Baker, Daniel Scharstein e J. P. Lewis, A Database and Evaluation Methodology for Optical Flow, in International Journal of Computer Vision, vol. 92, n. 1, 2011-03, pp. 1–31, DOI:10.1007/s11263-010-0390-2. URL consultato il 2 luglio 2026.

Bibliografia

Voci correlate

Altri progetti

Collegamenti esterni

Questa voce è stata pubblicata da Wikipedia. Il testo è rilasciato in base alla licenza Creative Commons Attribution-Share Alike 4.0, salvo diversa indicazione. Potrebbero essere applicate clausole aggiuntive per i file multimediali.