---
title: "光流估計（Optical Flow）"
slug: optical-flow
language: zh-TW
source: https://aiterms.tw/terms/optical-flow
updated_at: 2026-06-22
tags: [電腦視覺, 深度學習, AI應用, 模型訓練]
ipas_term: false
---

# 光流估計（Optical Flow）

估計影片相鄰幀之間像素的運動向量，用於動作檢測、影片壓縮、視覺導航等應用。

## 完整說明

光流估計是電腦視覺中估計圖像序列（影片）中像素運動的技術。給定相鄰的兩幀影像，光流演算法計算每個像素的二維位移向量（光流向量），表示該像素在時間軸上的運動方向和速度。光流既是理解動態場景的基礎，也支撐影片壓縮、運動分割、自動駕駛和體感控制等眾多應用。

## 常見問題

### 為什麼光流估計中的亮度恆定假設往往不成立？

亮度恆定假設假設物體在兩幀間的亮度不變，但現實中多種因素破壞這一假設。光照變化（如陰影移動、光源變化）直接改變像素亮度。物體表面的反射性質隨視角變化（視角相關的反射），同一物體從不同角度看亮度不同。遮擋導致像素在某一幀可見而另一幀被遮擋。景深效應（焦外模糊）在焦點變化時改變亮度分布。這些現象都使亮度恆定假設失效，是光流估計的主要誤差來源，需要後續的鯊魚幀或遮擋處理。

### Lucas-Kanade方法為什麼需要局部恆定假設？

Lucas-Kanade方法直面光流約束方程 `I_x*u + I_y*v + I_t = 0` 的不適定問題：一個方程兩個未知數。單靠此方程無法唯一求解 (u, v)。Lucas-Kanade通過假設小鄰域（如3×3或5×5窗口）內所有像素的光流相同，累積該鄰域內所有像素的約束方程，形成超定方程組。例如5×5窗口有25個像素，產生25個方程，用最小二乘法求解2個未知數，使問題變為適定。這假設在邊界和高梯度區域成立，但在物體邊界或運動不連續處失效。

### 深度學習光流方法相比傳統方法有什麼優勢和劣勢？

深度學習方法（如RAFT、PWCNet）優勢在於端到端學習，無需手工設計約束或假設，能處理違反亮度恆定假設的場景（如反射、光照變化），且通過疊代細化等機制精度更高。它們在基準測試（如Sintel、KITTI）上表現遠超傳統方法。劣勢是需要大量標籤資料訓練，對訓練域外的場景泛化性有限（如真實影片 vs 合成資料），計算量大難以實時處理，且黑盒預測難以解釋。傳統方法雖精度低，但參數化、可解釋、計算快，在資料有限或需實時性的場景仍有價值。

---

來源：https://aiterms.tw/terms/optical-flow
快查頁：https://aiterms.tw/terms/optical-flow
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-optical-flow