التدفق البصري

📅 آخر تحديث: ٢٣ يوليو ٢٠٢٦
✍️ نُشر في: ٢٣ يوليو ٢٠٢٦
📷 يحتوي على 40 صور
الموسوعة الحرة
التدفق البصري الذي يراه مراقب دوار (في هذه الحالة ذبابة). يُمثل اتجاه وقوة التدفق البصري في كل موقع باتجاه وطول كل سهم.

التدفق البصري هو نمط الحركة الظاهرية للأجسام والأسطح والحواف في مشهد مرئي، والناتج عن الحركة النسبية بين المُشاهد والمشهد. [ 1 ] [ 2 ] ويمكن تعريف التدفق البصري أيضًا بأنه توزيع السرعات الظاهرية لحركة نمط السطوع في الصورة. [ 3 ]

يعود مفهوم التدفق البصري إلى كتاب إقليدس " البصريات "، لكن صياغته الحديثة انبثقت من أبحاث الحرب العالمية الثانية حول رؤية الطيارين أثناء الهبوط. وقد توصل العديد من الباحثين إلى هذه الفكرة بشكل مستقل؛ وكان جيمس ج. جيبسون صاحب التأثير الأكبر عليها، حيث نشر نظريته عام 1947 وصاغ مصطلح "التدفق البصري" عام 1950.

يستخدم مصطلح التدفق البصري أيضًا من قبل علماء الروبوتات، ويشمل تقنيات ذات صلة من معالجة الصور والتحكم في الملاحة، بما في ذلك اكتشاف الحركة ، وتجزئة الأجسام ، ومعلومات زمن التلامس، وحسابات تركيز التوسيع، والإضاءة، والترميز المُعوض للحركة ، وقياس التباين المجسم. [ 4 ] [ 5 ]

تقدير

يمكن تقدير التدفق البصري بعدة طرق. وبشكل عام، يمكن تقسيم أساليب تقدير التدفق البصري إلى نماذج تعتمد على التعلم الآلي (وتسمى أحيانًا النماذج القائمة على البيانات)، ونماذج تقليدية (وتسمى أحيانًا النماذج القائمة على المعرفة) لا تستخدم التعلم الآلي، ونماذج هجينة تجمع بين خصائص النماذج القائمة على التعلم الآلي والنماذج التقليدية. [ 6 ]

النماذج الكلاسيكية

تعتمد العديد من النماذج الكلاسيكية على الافتراض البديهي لثبات السطوع ؛ أي أنه حتى لو تحركت نقطة ما بين الإطارات، يظل سطوعها ثابتًا. [ 7 ] ولصياغة هذا الافتراض البديهي بشكل رسمي، لنفترض وجود إطارين متتاليين من تسلسل فيديو، بشدة إضاءة معينة.أنا(x،y،ت){\displaystyle I(x,y,t)}، أين(x،y){\displaystyle (x,y)}يشير إلى إحداثيات البكسل وت{\displaystyle t}يشير ذلك إلى الوقت. في هذه الحالة، يكون قيد ثبات السطوع هو

أنا(x،y،ت)-أنا(x+u،y+v،ت+1)=0،{\displaystyle I(x,y,t)-I(x+u,y+v,t+1)=0,}

أينw:=(u،v){\displaystyle \mathbf {w} يمثل المتجه :=(u,v) متجه الإزاحة بين نقطة في الإطار الأول والنقطة المقابلة لها في الإطار الثاني. ولا يمكن حل قيد ثبات السطوع بمفرده.u{\displaystyle u}وv{\displaystyle v}عند كل بكسل، حيث توجد معادلة واحدة فقط ومجهولان. يُعرف هذا بمسألة الفتحة . لذلك، يجب فرض قيود إضافية لتقدير مجال التدفق. [ 8 ] [ 9 ]

النماذج المنتظمة

لعلّ أنسب طريقة لمعالجة مشكلة الفتحة هي تطبيق قيد سلاسة أو قيد تنظيم على مجال التدفق. ويمكن الجمع بين هذين القيدين لصياغة تقدير التدفق البصري كمسألة تحسين ، حيث يكون الهدف هو تقليل دالة التكلفة بالشكل التالي:

هـ=∬ΩΨ(أنا(x+u،y+v،ت+1)-أنا(x،y،ت))+αΨ(|∇u|)+αΨ(|∇v|)دxدy،{\displaystyle E=\iint _{\Omega }\Psi (I(x+u,y+v,t+1)-I(x,y,t))+\alpha \Psi (|\nabla u|)+\alpha \Psi (|\nabla v|)dxdy,}

أينΩأوميغاهذا هو مدى الصورأنا(x،y){\displaystyle I(x,y)}،∇{\displaystyle \nabla }هو عامل التدرج،α{\displaystyle \alpha }ثابت، وΨ(){\displaystyle \Psi ()}هي دالة خسارة . [ 7 ] [ 8 ]

تُعدّ مسألة التحسين هذه صعبة الحل نظرًا لعدم خطيتها. ولمعالجة هذه المشكلة، يمكن استخدام أسلوب حساب التفاضل والتكامل ، وتقريب قيد ثبات السطوع باستخدام تقريب متسلسلة تايلور من الدرجة الأولى . وبالتحديد، يُقارب قيد ثبات السطوع كما يلي:

∂أنا∂xu+∂أنا∂yv+∂أنا∂ت=0.{\displaystyle {\frac {\partial I}{\partial x}}u+{\frac {\partial I}{\partial y}}v+{\frac {\partial I}{\partial t}}=0.}

للتسهيل، مشتقات الصورة،∂أنا∂x{\displaystyle {\tfrac {\partial I}{\partial x}}}،∂أنا∂y{\displaystyle {\tfrac {\partial I}{\partial y}}}و∂أنا∂ت{\displaystyle {\tfrac {\partial I}{\partial t}}}غالباً ما يتم اختصارها لتصبحأناx{\displaystyle I_{x}}،أناy{\displaystyle I_{y}}وأنات{\displaystyle I_{t}}وبذلك، يمكن إعادة كتابة قيد ثبات السطوع الخطي على النحو التالي: [ 9 ]

أناxu+أناyv+أنات=0.{\displaystyle I_{x}u+I_{y}v+I_{t}=0.}

يمكن الآن إعادة صياغة مسألة التحسين على النحو التالي:

هـ=∬ΩΨ(أناxu+أناyv+أنات)+αΨ(|∇u|)+αΨ(|∇v|)دxدy.{\displaystyle E=\iint _{\Omega }\Psi (I_{x}u+I_{y}v+I_{t})+\alpha \Psi (|\nabla u|)+\alpha \Psi (|\nabla v|)dxdy.}

للاختيار من بينΨ(x)=x2{\displaystyle \Psi (x)=x^{2}}هذه الطريقة هي نفسها طريقة هورن-شونك . [ 3 ] بالطبع، تم استخدام خيارات أخرى لدالة التكلفة مثلΨ(x)=x2+ϵ2{\displaystyle \Psi (x)={\sqrt {x^{2}+\epsilon ^{2}}}}، وهو شكل قابل للتفاضل منل1{\displaystyle L^{1}}المعيار . [ 7 ] [ 10 ]

لحل مشكلة التحسين المذكورة أعلاه، يمكن استخدام معادلات أويلر-لاغرانج لتوفير نظام من المعادلات التفاضلية الجزئية لكل نقطة فيأنا(x،y،ت){\displaystyle I(x,y,t)}في أبسط حالات استخدامΨ(x)=x2{\displaystyle \Psi (x)=x^{2}}وهذه المعادلات هي:

أناx(أناxu+أناyv+أنات)-αΔu=0،{\displaystyle I_{x}(I_{x}u+I_{y}v+I_{t})-\alpha \Delta u=0,}
أناy(أناxu+أناyv+أنات)-αΔv=0،{\displaystyle I_{y}(I_{x}u+I_{y}v+I_{t})-\alpha \Delta v=0,}

أينΔ=∂2∂x2+∂2∂y2{\displaystyle \Delta ={\frac {\partial ^{2}}{\partial x^{2}}}+{\frac {\partial ^{2}}{\partial y^{2}}}}يرمز إلى مؤثر لابلاس . بما أن بيانات الصورة تتكون من وحدات بكسل منفصلة، ​​فإن هذه المعادلات تُجزأ إلى وحدات منفصلة. ينتج عن ذلك نظام من المعادلات الخطية التي يمكن حلها لإيجاد قيمة .(u،v){\displaystyle (u,v)}عند كل بكسل، باستخدام مخطط تكراري مثل جاوس-سيدل . [ 3 ]

على الرغم من أن تبسيط قيد ثبات السطوع يُبسط مسألة التحسين بشكل كبير، إلا أن هذا التبسيط لا يكون صالحًا إلا للإزاحات الصغيرة و/أو الصور السلسة. ولتجنب هذه المشكلة، يُستخدم غالبًا أسلوب متعدد المقاييس أو أسلوب التدرج من الخشن إلى الدقيق. في هذا الأسلوب، تُقلل دقة الصور مبدئيًا ، ثم تُحل معادلات أويلر-لاغرانج المُبسطة عند الدقة المُخفضة. بعد ذلك، يُستخدم حقل التدفق المُقدّر عند هذا المقياس لتهيئة العملية عند المقياس التالي. [ 11 ] غالبًا ما تُجرى عملية التهيئة هذه عن طريق تشويه إطار واحد باستخدام التقدير الحالي لحقل التدفق بحيث يكون مشابهًا قدر الإمكان للإطارات الأخرى. [ 8 ] [ 12 ]

يتمثل أحد الأساليب البديلة في تقسيم مسألة التحسين إلى أجزاء منفصلة ثم إجراء بحث عن الحلول الممكنة(u،v){\displaystyle (u,v)}القيم دون تحويلها إلى خطية. [ 13 ] غالبًا ما يتم إجراء هذا البحث باستخدام خوارزميات نظرية الحد الأدنى للقطع أو التدفق الأقصى أو البرمجة الخطية أو طرق نشر الاعتقاد .

تتطلب هذه الطرق المُنتظمة عادةً ضبطًا يدويًا لمعامل لاغرانج ، أو ما يُعرف بمعاملات التنظيم. وقد أُحرز بعض التقدم في التحديد التلقائي لهذه المعاملات في سياق التدفق البصري المُطبق على بيانات قياس سرعة الصور الجزيئية (PIV). [ 14 ] [ 15 ]

النماذج البارامترية

بدلاً من تطبيق قيد التنظيم على أساس كل نقطة على حدة كما في النموذج المنظم، يمكن تجميع البكسلات في مناطق وتقدير حركة هذه المناطق. يُعرف هذا بالنموذج البارامتري ، لأن حركة هذه المناطق مُعَلمة . عند صياغة تقدير التدفق البصري بهذه الطريقة، يُفترض أن مجال الحركة في كل منطقة يُمكن وصفه بالكامل بمجموعة من المعلمات. لذلك، فإن هدف النموذج البارامتري هو تقدير معلمات الحركة التي تُقلل دالة الخسارة التي يُمكن كتابتها على النحو التالي:

α^=arg⁡مينα∑(x،y)∈Rز(x،y)ρ(x،y،أنا1،أنا2،uα،vα)،{\displaystyle {\hat {\boldsymbol {\alpha }}}=\arg \min _{\boldsymbol {\alpha }}\sum _{(x,y)\in {\mathcal {R}}}g(x,y)\rho (x,y,I_{1},I_{2},u_{\boldsymbol {\alpha }},v_{\boldsymbol {\alpha }}),}

أينα{\displaystyle {\boldsymbol {\alpha }}}هي مجموعة المعايير التي تحدد الحركة في المنطقةR{\displaystyle {\mathcal {R}}}،ρ(){\displaystyle \rho ()}هو مصطلح تكلفة البيانات،ز(){\displaystyle g()}هي دالة ترجيح تحدد تأثير البكسل(x،y){\displaystyle (x,y)}على التكلفة الإجمالية، وأنا1{\displaystyle I_{1}}وأنا2{\displaystyle I_{2}}الإطاران 1 و2 هما من زوج من الإطارات المتتالية. [ 7 ]

أبسط نموذج بارامتري هو طريقة لوكاس-كانادي . تستخدم هذه الطريقة مناطق مستطيلة وتُحدد الحركة كحركة انتقالية بحتة. تستخدم طريقة لوكاس-كانادي قيد ثبات السطوع الأصلي كمعامل تكلفة للبيانات وتختارز(x،y)=1{\displaystyle g(x,y)=1}وهذا ينتج عنه دالة الخسارة المحلية،

α^=arg⁡مينα∑(x،y)∈R|أنا(x+uα،y+vα،ت+1)-أنا(x،y،ت)|.{\displaystyle {\hat {\boldsymbol {\alpha }}}=\arg \min _{\boldsymbol {\alpha }}\sum _{(x,y)\in {\mathcal {R}}}|I(x+u_{\boldsymbol {\alpha }},y+v_{\boldsymbol {\alpha }},t+1)-I(x,y,t)|.}

تشمل دوال الخسارة المحلية الأخرى المحتملة الارتباط المتبادل المعياري السلبي بين الإطارين. [ 16 ]

النماذج القائمة على التعلم

بدلاً من محاولة نمذجة التدفق البصري مباشرةً، يمكن تدريب نظام تعلم آلي لتقديره. منذ عام ٢٠١٥، حين طُرح نموذج FlowNet [ ١٧ ] ، طُبقت نماذج التعلم الآلي على التدفق البصري واكتسبت شهرةً واسعة. في البداية، اعتمدت هذه الأساليب على الشبكات العصبية الالتفافية المُرتبة في بنية U-Net ، وغالبًا ما تستخدم هياكل التشفير-فك التشفير أو هياكل هرمية للميزات، مثل PWC-Net [ ١٨ ] ، التي دمجت أحجام التكلفة ( موتر رباعي الأبعاد يُمثل تكاليف المطابقة بين جميع أزواج البكسلات في خريطتي ميزات) والتشويه (عملية تحويل صورة مكانيًا بناءً على حقل تدفق مُتوقع) لتحسين تقديرات التدفق عبر مقاييس متعددة. مع ذلك، ومع ظهور بنية Transformer في عام ٢٠١٧، اكتسبت النماذج القائمة على Transformer شهرةً أكبر. [ 19 ] حدث تحولٌ هام مع ظهور تقنية RAFT [ 20 ] (تحويلات الحقول المتكررة لجميع الأزواج)، التي استبدلت الأهرامات المتدرجة من الخشن إلى الدقيق بحالة واحدة قائمة على وحدة GRU تُحدِّث حقل التدفق بشكل تكراري. من خلال الحفاظ على دقة ميزات ثابتة عند ثُمن دقة المدخلات، حسّنت RAFT بشكل ملحوظ من الحفاظ على التفاصيل الدقيقة ومقاومة الحركة السريعة مقارنةً بالتصاميم السابقة التي تعتمد على نقاط الاختناق، مما أثّر على نطاق واسع من النماذج اللاحقة التي تتبنى آليات تحديث تكرارية مماثلة.

مع ذلك، فإنّ عملية حساب الارتباط بين جميع الأزواج المستخدمة في هذه النماذج مكلفة حسابيًا؛ فبالنسبة للمحتوى عالي الدقة مثل FullHD أو 4K ، قد يتطلب التطابق الشامل أكثر من 32 جيجابايت من ذاكرة الوصول العشوائي للفيديو (VRAM ) [ 21 ] ، مما يجعلها غير عملية لوحدات معالجة الرسومات (GPU) المخصصة للمستهلكين . ولمعالجة هذه المشكلة، طُوّرت طرق تركز على الكفاءة مثل Flow1D [ 21 ] وMeFlow [ 22 ] وMemfof [ 23 ] . وبينما تعمل هذه الطرق عمومًا على تحسين استخدام الذاكرة من خلال تقسيم مساحة البحث ثنائية الأبعاد، فإنّ الأخيرة تُحسّن أحجام الارتباط لتسلسلات الإطارات المتعددة عالية الدقة، مما يوفر تطبيقًا عمليًا لوحدات معالجة الرسومات القياسية .

تعتمد معظم مناهج التعلم الآلي لتحليل التدفق البصري على التعلم الخاضع للإشراف . في هذه الحالة، تُستخدم أزواج عديدة من إطارات بيانات الفيديو وحقول التدفق الحقيقية المقابلة لها لتحسين معلمات النموذج القائم على التعلم الآلي، وذلك لتقدير التدفق البصري بدقة. غالبًا ما تعتمد هذه العملية على مجموعات بيانات تدريبية اصطناعية ضخمة، مثل FlyingChairs [ 17 ] وFlyingThings3D [ 24 ] ، نظرًا لكثرة المعلمات المستخدمة [ 25 ] . بعد ذلك، تُقيّم النماذج على معايير قياسية مثل MPI Sintel [ 26 ] وKITTI [ 27 ] ومجموعة بيانات Spring عالية الدقة [ 28 ] . مع ذلك، غالبًا ما تواجه النماذج المدربة حصريًا على البيانات الاصطناعية صعوبة في تجاوز فجوة المجال عند تطبيقها على لقطات من العالم الحقيقي.

لمعالجة هذه المشكلة، تستخدم بعض مناهج التدفق البصري القائمة على التعلم التعلم الذاتي (يُسمى أحيانًا التعلم غير الخاضع للإشراف ) لتقليل الحاجة إلى مجموعات بيانات ضخمة تحتوي على بيانات مرجعية، والاستفادة من لقطات واقعية غير مصنفة أثناء التدريب. فبدلاً من تدريب النماذج لتقليل الفروقات بين حقول التدفق المُقدَّرة والبيانات المرجعية، يتم تدريبها لتحقيق أهداف تعليمية مثل ثبات السطوع وسلاسة حقل التدفق. [ 29 ] ومؤخرًا، قدمت طرق مثل CroCo [ 30 ] التدريب المسبق لإكمال المشاهد المتقاطعة. إن إجبار الشبكة على التنبؤ بالمناطق المقنعة في إحدى الصورتين باستخدام الصورة الثانية كاملةً يُعلِّم النموذج فهمًا هندسيًا قويًا وقدرة تعميم أفضل من النماذج المدربة فقط على تصنيفات خاصة بالمهمة.

الاستخدامات

تطورت تقنيات تقدير الحركة وضغط الفيديو لتصبح جانبًا رئيسيًا من أبحاث التدفق البصري. ورغم أن مجال التدفق البصري يشبه ظاهريًا مجال الحركة الكثيف المستمد من تقنيات تقدير الحركة، إلا أن دراسة التدفق البصري لا تقتصر على تحديد مجال التدفق البصري نفسه فحسب، بل تشمل أيضًا استخدامه في تقدير الطبيعة ثلاثية الأبعاد وبنية المشهد، بالإضافة إلى الحركة ثلاثية الأبعاد للأجسام والمشاهد بالنسبة للمشهد، وذلك باستخدام مصفوفة جاكوبيان للصورة في معظم هذه الدراسات. [ 31 ]

استخدم باحثو الروبوتات التدفق البصري في العديد من المجالات، مثل: اكتشاف الأجسام وتتبعها، واستخراج المستوى المهيمن في الصورة، واكتشاف الحركة، وتوجيه الروبوت، وقياس المسافة البصرية . [ 4 ] وقد اعتُرف بفائدة معلومات التدفق البصري في التحكم بالمركبات الجوية الصغيرة. [ 32 ]

يشمل تطبيق التدفق البصري مشكلة استنتاج ليس فقط حركة الراصد والأجسام في المشهد، بل أيضًا بنية الأجسام والبيئة. ولأن إدراك الحركة وتكوين خرائط ذهنية لبنية بيئتنا عنصران أساسيان في رؤية الحيوانات (والبشر) ، فإن تحويل هذه القدرة الفطرية إلى قدرة حاسوبية يُعدّ أمرًا بالغ الأهمية في مجال رؤية الآلة . [ 33 ]

متجه التدفق البصري لجسم متحرك في تسلسل فيديو

لنفترض مقطع فيديو مكونًا من خمس لقطات لكرة تتحرك من أسفل يسار مجال الرؤية إلى أعلى يمينه. تستطيع تقنيات تقدير الحركة تحديد أن الكرة تتحرك لأعلى ولليمين على مستوى ثنائي الأبعاد، ويمكن استخلاص متجهات تصف هذه الحركة من سلسلة اللقطات. لأغراض ضغط الفيديو (مثل MPEG )، تُوصف هذه السلسلة الآن بدقة كافية. مع ذلك، في مجال رؤية الآلة، يبقى السؤال عما إذا كانت الكرة تتحرك لليمين أم أن المُشاهد يتحرك لليسار معلومةً بالغة الأهمية، وإن كانت غير معروفة. حتى لو وُجدت خلفية ثابتة ذات نمط معين في اللقطات الخمس، لا يمكننا الجزم بأن الكرة تتحرك لليمين، لأن هذا النمط قد يكون بعيدًا جدًا عن المُشاهد.

تم تطبيق تقنية التدفق البصري في ميكانيكا الموائع كطريقة لتقدير أنماط التدفق بطريقة غير جراحية عند إضافة جزيئات متتبعة مرئية. [ 34 ] يُطلق على هذا النهج اسم قياس سرعة الصور الجزيئية (PIV) [ 35 ] . وقد ثبت أن طرق التدفق البصري توفر دقة أعلى من الارتباط التبادلي التقليدي في معالجة بيانات PIV [ 36 ] .

مستشعر التدفق البصري

توجد تكوينات متنوعة لمستشعرات التدفق البصري. أحدها عبارة عن شريحة مستشعر صور متصلة بمعالج مُبرمج لتشغيل خوارزمية التدفق البصري. ويستخدم تكوين آخر شريحة رؤية، وهي عبارة عن دائرة متكاملة تضم مستشعر الصور والمعالج على نفس الشريحة، مما يسمح بتصميم صغير الحجم. [ 37 ] [ 38 ] ومن الأمثلة على ذلك مستشعر الفأرة البصري المستخدم في الفأرة البصرية . في بعض الحالات، قد تُنفذ دوائر المعالجة باستخدام دوائر تناظرية أو دوائر إشارات مختلطة لتمكين حساب التدفق البصري بسرعة مع استهلاك ضئيل للتيار.

يُعدّ استخدام تقنيات الهندسة العصبية الشكلية أحد مجالات البحث المعاصر ، حيث تُستخدم لتنفيذ دوائر تستجيب للتدفق الضوئي، وبالتالي قد تكون مناسبة للاستخدام في مستشعر التدفق الضوئي. [ 39 ] وقد تستلهم هذه الدوائر من الدوائر العصبية البيولوجية التي تستجيب بدورها للتدفق الضوئي.

تُستخدم مستشعرات التدفق البصري على نطاق واسع في فئران الكمبيوتر الضوئية ، باعتبارها المكون الرئيسي للاستشعار لقياس حركة الفأرة عبر سطح ما.

تُستخدم مستشعرات التدفق البصري أيضًا في تطبيقات الروبوتات ، لا سيما عند الحاجة إلى قياس الحركة البصرية أو الحركة النسبية بين الروبوت والأجسام الأخرى المحيطة به. كما يُعدّ استخدام هذه المستشعرات في الطائرات المسيّرة ، لتحقيق الاستقرار وتجنب العوائق، مجالًا بحثيًا راهنًا. [ 40 ]

تاريخ

منذ وقت مبكر، أشار إقليدس في كتابه " البصريات " إلى الهندسة الكامنة وراء التدفق البصري. كما تناول هيلمهولتز ، في وصفه لظاهرة اختلاف المنظر الحركي في القرن التاسع عشر، هذا الموضوع ضمنيًا. إلا أن تحديده بشكل صريح لم يظهر إلا خلال الحرب العالمية الثانية، نظرًا للحاجة إلى فهم كيفية تقدير الطيارين للارتفاع والاتجاه أثناء الهبوط. وكان جون تي. ماككوردي ، في نصيحة قدمها لسلاح الجو الملكي البريطاني في أواخر عشرينيات القرن الماضي، قد لاحظ سابقًا أنه أثناء الهبوط المستقيم، تبقى النقطة التي يتم الاقتراب منها على الأرض ثابتة في مجال رؤية الطيار، بينما تبدو جميع النقاط الأخرى وكأنها تبتعد عنها. ثم قام جي سي غريندلي ، في تقرير سري صدر عام 1942، بتحليل رياضي لكيفية تغير سرعة الشبكية أثناء الحركة الذاتية، لتمكين الفرد من تقدير السرعة البصرية بدقة. ومع ذلك، فقد اعتبر هذا مجرد مؤشر على الارتفاع، وليس معلومة لتحديد مسار الرحلة. [ 41 ]

كان جيمس ج. جيبسون ، الذي كان يعمل في سلاح الجو الأمريكي ، أول من اكتشف أن سرعات الشبكية تشع من "بؤرة توسع" في اتجاه الحركة. علاوة على ذلك، لاحظ أن حركات العين لا تؤثر على هذا الانتشار، وأن النمط الكلي - وليس السرعات الفردية - هو الذي يوفر هذه المعلومات. في عام 1947، نشر جيبسون هذه النظرية، [ 42 ] وفي عام 1950 أطلق على هذه الظاهرة اسم "التدفق البصري". [ 43 ] وفي عام 1955، قام جيبسون، بالتعاون مع بول أولوم وفرانك روزنبلات، بتفصيل الجوانب الرياضية لهذه الظاهرة. [ 44 ] وبشكل مستقل، توصل إي إس كالفيرت، في المؤسسة الملكية للطائرات، إلى أفكار مماثلة أثناء بحثه في إضاءة الاقتراب في المطارات. في عام 1949، اقترح كالفيرت هذه الأفكار تحت مسمى "نظرية الشريط البصري المحيطي"، والتي وصفت كيف يستخدم الطيارون نمط وسرعة الأشرطة البصرية للتحكم في هبوطهم. [ 41 ]

أكد جيبسون على أهمية التدفق البصري لإدراك الإمكانيات المتاحة ، أي القدرة على تمييز فرص الفعل في البيئة. وقد أثبت أتباع جيبسون ومنهجه البيئي في علم النفس دور محفز التدفق البصري في إدراك الحركة من قِبل المراقب في العالم؛ وإدراك شكل الأشياء ومسافتها وحركتها في العالم؛ والتحكم في الحركة . [ 45 ]

انظر أيضاً

مراجع

  1. ↑ بيرتون، أندرو؛ رادفورد، جون (1978). التفكير من منظور: مقالات نقدية في دراسة عمليات التفكير . روتليدج. ISBN 978-0-416-85840-2.
  2. ↑ وارن، ديفيد هـ.؛ ستريلو، إدوارد ر. (1985). الاستشعار المكاني الإلكتروني للمكفوفين: مساهمات من الإدراك . سبرينغر. ISBN 978-90-247-2689-9.
  3. ١ ٢ ٣ هورن، بيرتولد كيه بي؛ شونك، برايان جي. (أغسطس ١٩٨١). "تحديد التدفق البصري" (ملف PDF) . الذكاء الاصطناعي . ١٧ ( ١-٣ ): ١٨٥-٢٠٣ . doi : 10.1016/0004-3702(81)90024-2 . hdl : 1721.1/6337 . مؤرشف من الأصل (ملف PDF) بتاريخ ٢٠٢٤-١٢-٢٥ . تم الاسترجاع بتاريخ ٢٠١٨-١١-١٥ .
  4. 1 2 أيريس، كيلسون آر تي؛ سانتانا، أندريه م.؛ ميديروس، أديلاردو م (2008). التدفق البصري باستخدام معلومات الألوان (PDF) . ACM نيويورك، نيويورك، الولايات المتحدة الأمريكية. رقم ISBN 978-1-59593-753-7.
  5. ↑ بوشيمين، إس إس؛ بارون، جيه إل (1995). "حساب التدفق البصري" . مجلة ACM Computing Surveys . 27 (3). ACM نيويورك، الولايات المتحدة الأمريكية: 433-466 . doi : 10.1145/212094.212141 . S2CID 1334552 . 
  6. ↑ تشاي، مينغليانغ؛ شيانغ، شوزي؛ لو، نينغ؛ كونغ، شيانغدونغ (2021). "تقدير التدفق البصري وتدفق المشهد: دراسة استقصائية" . التعرف على الأنماط . 114 107861. Bibcode : 2021PatRe.11407861Z . doi : 10.1016/j.patcog.2021.107861 .
  7. فورتون ، دينيس؛ بوثيمي، باتريك؛ كيرفران، تشارلز (1 مايو 2015). " نمذجة وحساب التدفق البصري: دراسة استقصائية" . رؤية الحاسوب وفهم الصور . 134 : 1-21 . Bibcode : 2015CVIU..134....1F . doi : 10.1016/j.cviu.2015.02.008 . تاريخ الاسترجاع : 23 ديسمبر 2024 .
  8. 1 2 3 بروكس، توماس؛ برون، أندريس؛ بابنبرغ، نيلز؛ ويكرت، يواكيم (2004). "تقدير التدفق البصري عالي الدقة بناءً على نظرية التشويه" . رؤية الحاسوب - المؤتمر الأوروبي لرؤية الحاسوب 2004. المؤتمر الأوروبي لرؤية الحاسوب 2004. برلين، هايدلبرغ: سبرينغر برلين هايدلبرغ. الصفحات 25-36 . doi : 10.1007/978-3-540-24673-2_3 . 
  9. 1 2 بيكر، سيمون؛ شارستين، دانيال؛ لويس، جيه بي؛ روث، ستيفان؛ بلاك، مايكل جيه؛ سزيليسكي، ريتشارد (1 مارس 2011). "قاعدة بيانات ومنهجية تقييم للتدفق البصري" . المجلة الدولية لرؤية الحاسوب . 92 (1): 1-31 . doi : 10.1007/s11263-010-0390-2 . ISSN 1573-1405 . 
  10. ↑ صن، ديكينغ؛ روث، ستيفان؛ بلاك، مايكل جيه. (2010). "أسرار تقدير التدفق البصري ومبادئها" . مؤتمر جمعية مهندسي الكهرباء والإلكترونيات (IEEE) لعام 2010 حول رؤية الحاسوب والتعرف على الأنماط. سان فرانسيسكو، كاليفورنيا، الولايات المتحدة الأمريكية: IEEE. الصفحات 2432-2439 . 
  11. ↑ ميناردت-لوبيس، إنريك؛ بيريز، خافيير سانشيز؛ كوندرمان، دانيال (19 يوليو 2013). "تدفق بصري هورن-شونك باستراتيجية متعددة المقاييس" . معالجة الصور عبر الإنترنت . 3 : 151-172 . doi : 10.5201/ipol.2013.20 .
  12. ↑ بلاك، مايكل جيه؛ أناندان، ب. (1 يناير 1996). "التقدير القوي للحركات المتعددة: حقول التدفق البارامترية والقطعية الملساء". رؤية الحاسوب وفهم الصور . 63 (1): 75-104 . doi : 10.1006/cviu.1996.0006 . ISSN 1077-3142 . 
  13. ↑ شتاينبروكر، فرانك؛ بوك، توماس؛ كريمرز، دانيال؛ ويكرت، يواكيم (2009). "حساب التدفق البصري للإزاحة الكبيرة بدون تشويه" . المؤتمر الدولي الثاني عشر لرؤية الحاسوب لعام 2009، معهد مهندسي الكهرباء والإلكترونيات. الصفحات 1609-1614 . 
  14. ↑ جاسال، جوريش راج؛ سومرسالو، إركي؛ كالفيتي، دانييلا؛ شميدت، برايان إي. (مايو 2025). "نهج بايزي للتنظيم المتغير محليًا في قياس سرعة التدفق البصري" . فيزياء الموائع . 37 (5): 057132. Bibcode : 2025PhFl...37e7132J . doi : 10.1063/5.0270225 .
  15. ↑ جاسال، جوريش راج؛ ثيليكي، ويليام؛ شميدت، برايان إي. (أكتوبر 2025). "خوارزمية التدفق البصري مع ضبط تلقائي للمعلمات لقياس سرعة السوائل" . مجلة برمجيات البحث المفتوح . 13 (1): 22. doi : 10.5334/jors.584 .
  16. ↑ لوكاس، بروس د.؛ كانادي، تاكيو (24 أغسطس 1981). تقنية تسجيل الصور التكرارية مع تطبيق على الرؤية المجسمة . وقائع المؤتمر الدولي المشترك السابع حول الذكاء الاصطناعي - المجلد 2. IJCAI'81. سان فرانسيسكو، كاليفورنيا، الولايات المتحدة الأمريكية: دار مورغان كوفمان للنشر. الصفحات 674-679 . 
  17. 1 2 دوسوفيتسكي، أليكسي؛ فيشر، فيليب؛ إيلغ، إيدي؛ هاوسر، فيليب؛ هازيرباس، كانر؛ غولكوف، فلاديمير؛ سماغت، باتريك فان دير؛ كريمرز، دانيال؛ بروكس، توماس (2015). فلو نت: تعلم التدفق البصري باستخدام الشبكات الالتفافية . المؤتمر الدولي لعام 2015 حول رؤية الحاسوب (ICCV). IEEE. الصفحات 2758-2766 . doi : 10.1109/ICCV.2015.316 . ISBN  978-1-4673-8391-2.
  18. ↑ صن، دي تشينغ؛ يانغ، شياودونغ؛ ليو، مينغ يو؛ كاوتز، يان (25-06-2018). "PWC-Net: شبكات عصبية تلافيفية للتدفق البصري باستخدام الهرم والتشويه وحجم التكلفة". arXiv : 1709.02371 [ cs.CV ].
  19. ↑ ألفارانو، أندريا؛ مايانو، لوكا؛ بابا، لورينزو؛ أميريني، إيرين (2024). "تقدير التدفق البصري: مراجعة شاملة لأحدث التقنيات" . رؤية الحاسوب وفهم الصور . 249 104160. doi : 10.1016/j.cviu.2024.104160 . hdl : 11573/1726258 .
  20. ↑ تيد، زاكاري؛ دينغ، جيا (2020-08-25). "RAFT: تحويلات المجال المتكررة لجميع الأزواج للتدفق البصري". arXiv : 2003.12039 [ cs.CV ].
  21. 1 2 شو، هاوفي؛ يانغ، جياولونغ؛ كاي، جيانفي؛ تشانغ، جويونغ؛ تونغ ، شين (2021-08-29). “التدفق البصري عالي الدقة من الاهتمام والارتباط ثنائي الأبعاد”. أرخايف : 2104.13918 [ cs.CV ].
  22. ^ شو، جانجوي؛ تشن، شوجون. جيا، هاو؛ فنغ، مياوجي؛ يانغ ، شين (2025/03/04). “التدفق البصري الموفر للذاكرة عبر حجم التكلفة المتعامد لتوزيع نصف القطر”. أرخايف : 2312.03790 [ cs.CV ].
  23. ↑ بارغاتين، فلاديسلاف؛ تشيستوف، إيغور؛ ياكوفينكو، ألكسندر؛ فاتولين، ديمتري (29-06-2025). "MEMFOF: تدريب عالي الدقة لتقدير التدفق البصري متعدد الإطارات بكفاءة الذاكرة". arXiv : 2506.23151 [ cs.CV ].
  24. ↑ ماير، نيكولاس؛ إيلغ، إيدي؛ هاوسر، فيليب؛ فيشر، فيليب؛ كريمرز، دانيال؛ دوسوفيتسكي، أليكسي؛ بروكس، توماس (2015-12-07). "مجموعة بيانات كبيرة لتدريب الشبكات الالتفافية لتقدير التباين، والتدفق البصري، وتدفق المشهد". مؤتمر IEEE لعام 2016 حول رؤية الحاسوب والتعرف على الأنماط (CVPR) . الصفحات 4040-4048 . arXiv : 1512.02134 . doi : 10.1109/CVPR.2016.438 . ISBN  978-1-4673-8851-1.
  25. ↑ تو، تشيغانغ؛ شي، وي؛ تشانغ، ديجون؛ بوب، رونالد؛ فيلتكامب، ريمكو سي؛ لي، باوكسين؛ يوان، جونسونغ (1 مارس 2019). "دراسة استقصائية لتقنيات التدفق البصري القائمة على التباين والشبكات العصبية التلافيفية". معالجة الإشارات: اتصالات الصور . 72 : 9-24 . doi : 10.1016/j.image.2018.12.002 . hdl : 1874/379559 .
  26. ↑ بتلر، دانيال جيه؛ وولف، جوناس؛ ستانلي، غاريت بي؛ بلاك، مايكل جيه (2012). "فيلم طبيعي مفتوح المصدر لتقييم التدفق البصري" . في: فيتزجيبون، أندرو؛ لازيبنيك، سفيتلانا؛ بيرونا، بيترو؛ ساتو، يويتشي؛ شميد، كورديليا (محررون). رؤية الحاسوب - المؤتمر الأوروبي لرؤية الحاسوب 2012. سلسلة محاضرات في علوم الحاسوب. المجلد 7577. برلين، هايدلبرغ: سبرينغر. الصفحات 611-625 . doi : 10.1007/978-3-642-33783-3_44 . ISBN   978-3-642-33783-3.
  27. ↑ مينز، موريتز؛ جايجر، أندرياس (2015). "تدفق مشهد الكائنات للمركبات ذاتية القيادة". مؤتمر IEEE لعام 2015 حول رؤية الحاسوب والتعرف على الأنماط (CVPR) . الصفحات 3061-3070 . doi : 10.1109/CVPR.2015.7298925 . ISBN  978-1-4673-6964-0.
  28. ↑ ميهل، لوكاس؛ شمالفوس، جيني؛ جاهدي، أزين؛ ناليفايكو، ياروسلافا؛ برون، أندريس (2023-03-03). "سبرينغ: مجموعة بيانات عالية الدقة والتفاصيل ومعيار لتدفق المشهد، والتدفق البصري، والتصوير المجسم". arXiv : 2303.01943 [ cs.CV ].
  29. ↑ جونشكوفسكي، ريكو؛ ستون، أوستن؛ بارون، جوناثان ت.؛ جوردون، أرييل؛ كونوليج، كورت؛ أنجيلوفا، أنيليا (2020). "ما يهم في التدفق البصري غير الخاضع للإشراف". رؤية الحاسوب - ECCV 2020. سلسلة محاضرات في علوم الحاسوب. المجلد 12347. تشام: دار نشر سبرينغر الدولية. الصفحات 557-572 . arXiv : 2006.04902 . doi : 10.1007/978-3-030-58536-5_33 . ISBN   978-3-030-58536-5.
  30. ↑ واينزابفيل، فيليب؛ لوكاس، توماس؛ ليروي، فنسنت؛ كابون، يوهان؛ أرورا، فايبهاف؛ بريجييه، رومان؛ تشوركا، غابرييلا؛ أنتسفيلد، ليونيد؛ تشيدلوفسكي، بوريس (18 أغسطس 2023). "CroCo v2: تحسين التدريب المسبق لإكمال الرؤية المتقاطعة لمطابقة الصور المجسمة والتدفق البصري". arXiv : 2211.10408 [ cs.CV ].
  31. ↑ كورك، بيتر (8 مايو 2017). "مصفوفة جاكوبيان للصورة" . أكاديمية الروبوتات بجامعة كوينزلاند للتكنولوجيا .
  32. ↑ باروز، جي إل؛ تشاهل، جي إس؛ سرينيفاسان، إم في (2003). "الاستشعار البصري والتحكم في الطيران المستوحى من علم الأحياء" . مجلة الطيران . 107 (1069): 159-268 . doi : 10.1017/S0001924000011891 . S2CID 108782688 – عن طريق مطبعة جامعة كامبريدج. 
  33. ↑ براون، كريستوفر م. (1987). التطورات في رؤية الحاسوب . دار لورانس إيرلبوم للنشر. رقم ISBN 978-0-89859-648-9.
  34. ↑Alfarano2024خطأ في الاستشهاد: تم استدعاء المرجع المسمى ولكن لم يتم تعريفه مطلقًا (انظر صفحة المساعدة ).
  35. ^ مينديز، لويس PN. ريكاردو، آنا إم سي؛ برناردينو، الكسندر ج.م. فيريرا ، روي إم إل (15 ديسمبر 2021). "دراسة مقارنة لطرق التدفق البصري في ميكانيكا الموائع" . تجارب في السوائل . 63 (1): 7. دوى : 10.1007/s00348-021-03357-7 . ISSN 1432-1114 . 
  36. ↑ جاسال، جوريش راج؛ شميدت، برايان إي. (10 فبراير 2025). "مراجعة لقياس سرعة التدفق البصري في ميكانيكا الموائع" . مجلة علوم وتكنولوجيا القياس . 36 (3): 032002. رمز Bibcode : 2025MeScT..36c2002J . doi : 10.1088/1361-6501/adafcf .
  37. ^ معيني، علي رضا (2000). رقائق الرؤية . بوسطن، ماساتشوستس: سبرينغر الولايات المتحدة. رقم ISBN 9781461552673. OCLC 851803922 . 
  38. ↑ ميد، كارفر (1989). الدوائر المتكاملة التناظرية واسعة النطاق والأنظمة العصبية . ريدينغ، ماساتشوستس: أديسون-ويسلي. ISBN 0201059924. OCLC 17954003 . 
  39. ↑ ستوكر، آلان أ. (2006). دوائر VLSI التناظرية لإدراك الحركة البصرية . تشيتشستر، إنجلترا: جون وايلي وأولاده. ISBN 0470034882. OCLC 71521689 . 
  40. ↑ فلوريانو، داريو؛ زوفيري، جان كريستوف؛ سرينيفاسان، مانديام ف.؛ إلينغتون، تشارلي، محرران. (2009). الحشرات الطائرة والروبوتات . هايدلبرغ: سبرينغر. ISBN 9783540893936. OCLC 495477442 . 
  41. 1 2 نيهورستر، ديدريك سي . (2021). "التدفق البصري: تاريخ" . الإدراك البصري . 12 (6) 20416695211055766. doi : 10.1177/20416695211055766 . ISSN 2041-6695 . PMC 8652193. PMID 34900212 .   
  42. ↑ جيبسون، جيمس جيروم (1947). اختبار الأفلام السينمائية وبحوثها . تقارير بحوث برنامج علم النفس في الطيران. واشنطن العاصمة: مكتب الطباعة الحكومي الأمريكي . تم الاطلاع عليه في 4 مارس 2026 .
  43. ↑ جيبسون، جيه جيه (1950). إدراك العالم المرئي . هوتون ميفلين.
  44. ↑ جيبسون، جيمس جيه؛ أولوم، بول؛ روزنبلات، فرانك (1955). "التباين المنظوري أثناء هبوط الطائرات" . المجلة الأمريكية لعلم النفس . 68 (3): 372-385 . doi : 10.2307/1418521 . JSTOR 1418521. PMID 13248971 .  
  45. ↑ رويدن، سي إس ؛ مور، كيه دي (2012). "استخدام مؤشرات السرعة في رصد الأجسام المتحركة من قبل مراقبين متحركين" . أبحاث الرؤية . 59 : 17-24 . doi : 10.1016/j.visres.2012.02.006 . PMID 22406544. S2CID 52847487 .