Optical Flow Nedir? Video Analizinde Hareket Tespiti (Optik Akış)

#OptikAkış #BilgisayarlıGörü #VideoAnalizi #HareketTespiti #LucasKanade #RAFT #Videoİşleme

Video'nun ardışık kareleri arasındaki piksel hareketini vektör alanı olarak hesaplayan, nesne takibi ve hareket analizi için kullanılan bilgisayarlı görü tekniği.

Optical flow (optik akış), art arda gelen video karelerindeki piksel parlaklık örüntüsünün görünür hareketini hesaplayan bilgisayarlı görü tekniğidir. Her bir piksel veya özellik noktası için, bir kareden diğerine kadar olan konum değişikliğini gösteren bir hareket vektörü üretilir. Bu vektör alanı, sahnedeki hangi nesnelerin ne yönde ve ne hızda hareket ettiğini ortaya koyar. Hesaplama, 'parlaklık sabitliği' (brightness constancy) varsayımına dayanır: bir pikselin görüntü üzerindeki parlaklığının kısa zaman aralıklarında sabit kaldığı kabul edilir. Bu varsayım altında ardışık kareler karşılaştırılarak her noktanın (u, v) hareket vektörü tahmin edilir.

Optical Flow Nedir ve Nasıl Çalışır?

Optical flow (optik akış), video analizinin temel taşlarından biridir. İki ardışık video karesi arasında her pikselin (veya seçili özellik noktasının) nereye hareket ettiğini hesaplar ve bir vektör alanı (flow map) olarak sunar. Bu vektör alanında her ok, belirli bir pikselin bir kareden diğerine ne kadar ve hangi yönde yer değiştirdiğini gösterir. Temel matematiksel varsayım 'parlaklık sabitliği kısıtlaması'dır: I(x, y, t) = I(x+u, y+v, t+1) eşitliği, bir pikselin görüntü üzerindeki parlaklığının kısa zaman aralıklarında değişmediğini ifade eder. Buradan türetilen hareket denklemi çözülerek (u, v) bileşenleri elde edilir. Gerçek dünyada bu tek denklemle iki bilinmeyeni çözmek 'aperture problemi' (bakış açısı sorunu) olarak bilinir ve ek kısıtlamalarla aşılır.

Temel Algoritmalar

**Lucas-Kanade (1981):** Küçük bir penceredeki piksellerin aynı harekete sahip olduğunu varsayar ve seyrek bir özellik kümesi için (köşe noktaları gibi) akış vektörü hesaplar. Hız ve sağlamlığıyla hâlâ nesne takibinde yaygın kullanılır. **Horn-Schunck (1981):** Yoğun (dense) bir akış alanı üretir; tüm piksellerde pürüzlülük kısıtlaması uygulayarak global çözüm bulur. Gürültüye karşı hassas olsa da teorik temeli güçlüdür. **Farneback (2003):** Polinomsal yaklaşım kullanarak her piksel için yoğun akış üretir; OpenCV'nin `calcOpticalFlowFarneback` fonksiyonuyla uygulanabilir. Gerçek zamanlı uygulamalarda başarımı yüksektir. **FlowNet / FlowNet2 (2015–2017):** İlk büyük ölçekli derin öğrenme yaklaşımları. Sentetik veri setleriyle eğitilen CNN modelleri, klasik algoritmaların çok üzerinde doğruluk sağladı. **RAFT (Recurrent All-Pairs Field Transforms, 2020):** Günümüzde benchmark lideri. Tekrarlayan GRU tabanlı mimarisiyle yinelemeli olarak akış alanını iyileştirir; Sintel ve KITTI veri setlerinde kırdığı rekoru hâlâ sürdürmektedir.

Seyrek ve Yoğun Optical Flow

Optical flow iki temel modda hesaplanır: **Seyrek (Sparse) Akış:** Yalnızca seçili köşe veya özellik noktaları takip edilir. Lucas-Kanade + Shi-Tomasi köşe dedektörü kombinasyonu bu kategorinin klasik örneğidir. Hesaplama maliyeti düşük, gerçek zamanlı uygulamalara elverişlidir. **Yoğun (Dense) Akış:** Her piksel için ayrı bir hareket vektörü üretilir. Farneback ve RAFT bu gruba girer. Çok daha fazla bilgi sağlar ama hesaplama gereksinimleri yüksektir. Video anlama, eylem tanıma ve yapay zeka tabanlı video üretiminde yoğun akış tercih edilir.

Kullanım Alanları

**Otonom araçlar:** Kameralar arasındaki optik akış, yolun hangi yönde ilerlediğini ve yaklaşan engelleri tespit etmek için kullanılır; LiDAR ile füzyonda kritik rol oynar. **Video stabilizasyonu:** Kamera titremesinden kaynaklanan istem dışı hareketi optical flow ile tespit edip telafi ederek pürüzsüz video elde edilir. **Eylem tanıma (action recognition):** Spor analizi ve güvenlik kameralarında hareket kalıplarını çıkarmak için two-stream CNN mimarileri optik akışı ikinci girdi akışı olarak kullanır. **Tıbbi görüntüleme:** Kalp hareketini (ekokardiyografi) veya solunum döngüsünü optik akışla ölçmek, tanısal hassasiyeti artırır. **Jeneratif video modelleri:** Stable Video Diffusion ve benzeri modeller, geçici tutarlılık için optical flow rehberliğinden yararlanır.