在计算机视觉中,卢卡斯-卡纳德方法是一种广泛使用的光流估计的差分方法,这个方法是由Bruce D. Lucas和Takeo Kanade发明的。它假设光流在像素点的邻域是一个常数,然后使用最小平方法对邻域中的所有像素点求解基本的光流方程。
通过结合几个邻近像素点的信息,卢卡斯-卡纳德方法(简称为)通常能够消除光流方程里的多义性。而且,与逐点计算的方法相比,L-K方法对图像噪声不敏感。不过,由于这是一种局部方法,所以在图像的均匀区域内部,L-K方法无法提供光流信息。
L-K方法假设两个相邻帧的图像内容位移很小,且位移在所研究点的邻域内为大致为常数。所以,可以假设光流方程 在以点为中心的窗口内对所有的像素都成立。也就是说,局部图像流(速度)向量,和时间的偏导。
这些等式可以写成矩阵的形式=1 到 求和。
矩阵的 结构张量。