LSPIV[3, 6] | 在前一帧的查询区域和后一帧的搜索区域间进行相关分析操作. 查询区域和搜索区域根据流动情况人为定义. 相关系数最大的2个窗口对应最可能的位移. 相关分析操作主要分为空域互相关和快速傅里叶变换互相关 | 可以提供全局的表面流速场. 简单有效,是目前应用较广的技术 | 空域互相关计算量较大. 算法得到的是每个查询区域的平均速度,速度场分辨率不高 |
LSPTV[7] | 包括粒子检测和跟踪共2个步骤. 获取图像中粒子的空间分布情况,并进一步获取粒子的亚像素质心位置. 在跟踪阶段,根据粒子动态特性和分配算法,匹配不同时间帧中的粒子质心,连接粒子质心以重建轨迹 | 在稀疏粒子的情况下表现良好. 相对于粒子图像测速,算出的流场速度具有真实物理意义 | 无法处理粒子浓度较高的情况,对部分设定参数较敏感 |
SSIV[8] | 在LSPIV的相关分析操作的基础上,得到初步的全局速度矢量场,再利用表面流的特性对矢量场进行后处理. 其核心在于去除LSPIV结果中的错误矢量 | 对查询区域变化不敏感,在复杂光学环境(如阴影或眩光)中仍有较好的 结果 | 互相关分析以及对矢量场进行后处理的过程计算量较大 |
OTV[9] | 结合自动特征检测、Lucas-Kanade跟踪算法和基于轨迹的过滤方法.利用Fast算法检测水面目标角点特征,用基于图像金字塔的Lucas-Kanade稀疏光流跟踪算法跟踪以上特征,再对跟踪轨迹进行后处理 | 在表面目标特征稀疏、非恒定流情况时表现良好 | 所得速度场分辨率不高 |
STIV[10] | 先合成时空图像,再利用傅里叶变换检测时空图像的纹理主方向,该主方向对应原图像序列的一维时均流速矢量 | 空间分辨率高、实时性强,可用于河流的实时 监测 | 对复杂光照和水流环境的变化较为敏感 |
基于概率的测速 [11] | 基于概率的图像测速方法。基于贝叶斯框架,在图像观测函数已知的情况下,估计像素速度矢量场的后验概率 | 可以得到稠密的光流矢量场 | 为了提高流场精度,须改进超参数估计以及描述条件概率分布的似然估计 |
基于机器学习的测速[12-14] | 基于有监督学习的机器学习表面流测速方法,主要进行水流表面特征的提取和流速的分类识别. 基于无监督学习的方法,利用非线性图像配准的思路计算表面速度矢量场 | 有效水流表面特征的 提取 | 有监督学习方法需要大量数据. 无监督学习方法的研究较少,其测速精度仍需要经过更多实验的验证;该方法仅研究了海岸波浪的跟踪测速方案,其泛化性仍有待研究 |
SGSD[15] | 在变分光流框架中加入流体物理约束. 利用标量输运方程计算光流场,引入扩散项补充小尺度流场特征 | 速度矢量场结果精度 较高 | 流动轨迹重建中仍对异常值存在敏感性 |