光流法输出像素位移而非真实速度，需结合距离、实际尺寸和精确时间戳换算；LK适合稀疏关键点，Farneback适合稠密场但参数敏感；标定与几何修正不可省略。
光流法本身不直接输出速度，必须结合物理尺度和时间戳
OpenCV 的 cv::calcOpticalFlowPyrLK 或 cv::calcOpticalFlowFarneback 只返回像素位移（dx, dy），单位是像素/帧，不是 m/s。要换算成真实速度，你得知道：① 相机到目标的大概距离；② 目标在图像中的实际尺寸（比如车宽 1.8m 对应多少像素）；③ 两帧之间的真实时间间隔（不能只用帧率倒数，尤其当帧被丢弃或采集不均匀时）。漏掉任一环节，结果就是“看着有数字，其实没物理意义”。
常见错误现象：cv::calcOpticalFlowPyrLK 返回的 status 数组里大量为 0，但你还拿所有点去算平均位移；或者直接用 delta_t = 1.0 / fps 去除，结果在光照突变、快速旋转场景下速度值跳变几十倍。
- 务必检查
status输出，只对status[i] == 1的点计算位移 - 用硬件时间戳（如
std::chrono::steady_clock::now()）记录每帧采集时刻，而非依赖视频容器的 PTS - 若目标距离变化大（如远近车辆），需配合深度图或单目测距模型做归一化，否则同一像素位移对应的速度差一个数量级
calcOpticalFlowPyrLK 更适合稀疏关键点，别强行喂整图
很多人一上来就对整张 800x600 图调用 cv::calcOpticalFlowPyrLK，传入上万特征点——这既慢又不准。LK 光流本质是局部迭代优化，点太多会导致内存暴涨、收敛失败点增多，且无法处理大位移（>15 像素）。
正确做法是先用 cv::goodFeaturesToTrack 提取 200–500 个高质量角点（设 minDistance=10, qualityLevel=0.01），再喂给 LK。如果目标运动剧烈，可加 winSize=(21,21) 和 maxLevel=3 提升鲁棒性；但 winSize 超过 (31,31) 后性能下降明显，且对小目标容易“糊掉”。
立即学习“C++免费学习笔记（深入）”；
示例片段：
std::vector<cv::Point2f> prev_pts, curr_pts; cv::goodFeaturesToTrack(prev_gray, prev_pts, 300, 0.01, 10); cv::calcOpticalFlowPyrLK(prev_gray, curr_gray, prev_pts, curr_pts, status, err, cv::Size(21,21), 3);
calcOpticalFlowFarneback 适合稠密场，但参数敏感、易过平滑
cv::calcOpticalFlowFarneback 输出的是每个像素的位移向量，但默认参数（尤其是 pyr_scale=0.5, levels=3）在高速小物体（如无人机桨叶）上会严重模糊运动边界，把 20px 位移压缩成 12px，导致速度低估 40%。
关键调整点：
- 对高速场景，把
levels提高到5或6（增加金字塔层数，保留更多高频运动信息） -
winSize别设太大——13是平衡点，>17会过度平均邻域，丢失局部速度差异 - 如果只关心某块 ROI（如车道线区域），先用
cv::Mat::operator()截取子图再计算，避免全图浪费算力
注意：cv::calcOpticalFlowFarneback 是 CPU 单线程实现，800x600 输入在 i5-8250U 上约耗时 80ms，实时性要求高时得降分辨率或换 GPU 方案（如 NVIDIA VPI）。
从像素位移到物理速度：绕不开的标定与假设
假设你已得到某点平均位移 disp_px = 42.3 像素，帧间时间 dt = 0.033s，相机焦距 f = 800 像素，目标距离 Z = 10m，那么横向速度近似为：v ≈ disp_px * Z * pixel_size / dt，其中 pixel_size 是单个像素对应的真实长度（单位：m）。而 pixel_size = sensor_width / image_width，sensor_width 需查相机 datasheet（如 Raspberry Pi HQ Camera 是 7.4mm）。
更实用的简化方式（无标定板时）：
- 在画面中放一个已知尺寸的参照物（如标准车牌 440mm×220mm），测它在图像中占多少像素，算出该距离下的像素物理尺寸
- 若目标距离变化不大（如高速公路跟车），可用平均距离代入，误差通常 <15%
- 别试图用光流直接估算加速度——二阶差分会放大噪声，建议用卡尔曼滤波融合 IMU 或 GPS 数据
最容易被忽略的一点：光流给出的是图像平面内的投影速度，对俯视/仰视角度大的场景（如无人机斜拍地面），必须用俯仰角做三角修正，否则速度值偏小——这个修正项常被当成“后期优化”拖到最后，结果整个系统上线后速度始终偏低 20%～30%。
