全面了解：传统光流法总结及在深度学习中的运用！(包含相位、能量、匹配和变分方法)-传统光流估计算法的种类

在深度学习兴起之前，实现光流估计的方法主要分为：

1. 基于相位的方法；
2. 基于能量的方法；
3. 基于匹配的方法；
4. 基于变分的方法。

下面逐一介绍。

1.基于相位的方法

Fleet和Jepson最先提出将相位信息用于光流计算的思想。他们认为相比图像亮度信息，图像的相位信息更加可靠，利用相位信息获取的光流更加鲁棒。

基于相位的光流估计方法首先利用Gabor滤波器计算图像序列的相位时间梯度，然后，过滤给定时间跨度的非线性相位时间梯度，最后，在一个位置的剩下的相位时间梯度使用递归的神经网络计算出该位置的速度。下图是Fleet和Jepson所提方法的光流估计结果。

其优点在于对图像序列的适用范围较为宽泛，而且速度估计比较精确，缺点在于具有较高的时间复杂性且对图像序列的时间混叠较为敏感。

2.基于能量的方法

该方法利用调谐滤波器的输出能量达到最大来计算光流，由于调谐滤波器是在频域中设计的，因此该方法也称为基于频率的方法 。然而，在使用该类方法的过程中，如果要获得均匀光流场的准确估计，就必须对输入的图像进行时空滤波处理，但这样会降低光流的时间和空间分辨率。并且会涉及大量的计算，因此该方法时间成本较大。

3.基于匹配的方法

基于匹配的光流计算方法又分为基于特征和区域的两种。

基于特征的方法不断地对目标主要特征进行定位和跟踪，对目标大的运动和亮度变化具有鲁棒性。基于区域的方法先对类似的区域进行定位，然后通过相似区域的位移计算光流。他们获的光流方法均是稀疏的。

4.基于变分的方法

基于变分原理的光流估计方法是将光流估计问题归结为求解某个能量泛函的极值问题。因其在模型构建、计算精度以及性能鲁棒性等方面相比上述方法具有显著的优越性，在深度学习方法兴起之前一直是光流研究领域的主流方法。