光流法（Optical Flow）偵測障礙物並估算距離

光流法的基本概念：

• 計算光流：使用 OpenCV 的 cv2.calcOpticalFlowFarneback() 或 cv2.calcOpticalFlowPyrLK() 來追蹤特徵點的移動。
• 分析運動方向：
  • 若視覺流向 放射狀擴散（diverging），表示有物體接近。
  • 若視覺流向 集中收斂（converging），表示場景遠離。
• 距離估算：
  • 大範圍、高速度的光流變化，代表障礙物接近。
  • 可透過光流向量的長度來估算相對距離（向量越長，代表物體越近）。

Python 程式範例（使用 Farneback Optical Flow）：

import cv2
import numpy as np

# 開啟攝影機
cap = cv2.VideoCapture(0)

# 讀取第一幀並轉成灰階
ret, prev_frame = cap.read()
prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY)

while True:
    # 讀取新影像
    ret, frame = cap.read()
    if not ret:
        break

    # 轉成灰階
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 計算光流
    flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)

    # 計算光流向量的大小
    magnitude, angle = cv2.cartToPolar(flow[..., 0], flow[..., 1])

    # 繪製光流
    hsv = np.zeros_like(frame)
    hsv[..., 1] = 255  # 設定飽和度
    hsv[..., 0] = angle * 180 / np.pi / 2  # 色相（H）表示方向
    hsv[..., 2] = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)  # 亮度（V）表示速度
    flow_img = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

    # 顯示結果
    cv2.imshow("Optical Flow", flow_img)

    # 計算障礙物接近的程度
    avg_magnitude = np.mean(magnitude)
    if avg_magnitude > 2.0:  # 設定閾值（根據實驗調整）
        cv2.putText(frame, "Obstacle detected!", (50, 50),
                    cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

    cv2.imshow("Frame", frame)

    # 更新前一幀
    prev_gray = gray.copy()

    # 按 'q' 退出
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

    

優化與進階應用：

• 使用金字塔 Lucas-Kanade（PyrLK）方法
  • PyrLK 只追蹤特徵點，比 Farneback 更適合即時應用。
  • 可以用 cv2.goodFeaturesToTrack() 找出畫面中有代表性的特徵點，然後用 cv2.calcOpticalFlowPyrLK() 來追蹤這些點的移動。
• 進一步距離估算
  • 可以將光流向量的長度與攝影機焦距、視角對應起來，計算相對距離。
  • 若有已知尺寸的物體出現在畫面中，可以用三角測量法來推算實際距離。

這個方法能讓你的自駕車判斷前方是否有障礙物，並根據光流變化來決定是否需要避障。這樣的做法符合你的需求嗎？