void calcOpticalFlowPyrLK(InputArray prevImg, //第一個8位輸入圖像或者通過 buildOpticalFlowPyramid()建立的金字塔InputArray nextImg,//第二個輸入圖像或者和prevImg相同尺寸和類型的金字塔InputArray prevPts, //二維點向量存儲找到的光流；點坐標必須是單精度浮點數InputOutputArray nextPts,//輸出二維點向量（用單精度浮點坐標）包括第二幅圖像中計算的輸入特征的新點位置；當OPTFLOW_USE_INITIAL_FLOW 標志通過，向量必須有和輸入一樣的尺寸。OutputArray status, //輸出狀態向量（無符號char）；如果相應的流特征被發現，向量的每個元素被設置為1，否則，被置為0.OutputArray err,//輸出錯誤向量；向量的每個元素被設為相應特征的一個錯誤，誤差測量的類型可以在flags參數中設置；如果流不被發現然后錯誤未被定義（使用status（狀態）參數找到此情形）。Size winSize = Size(21,21), //在每個金字塔水平搜尋窗口的尺寸。int maxLevel = 3,//最大金字塔層數; 如果設置為0，則不使用金字塔（單層），如果設置為1，則使用兩個層次，依此類推; 如果將金字塔傳遞給輸入，則算法將使用與金字塔一樣多的級別，但不超過maxLevel。TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01),//指定迭代搜索算法的終止標準（指定的最大迭代次數criteria.maxCount或搜索窗口移動小于criteria.epsilon）int flags = 0, //操作標志double minEigThreshold = 1e-4 //計算光流方程的2×2標準矩陣的最小特征值除以窗口中的像素數量;如果這個值小于minEigThreshold，那么一個相應的特征被過濾出來，且它的光流不被處理，所以它允許去除壞點提升性能。);

#include<opencv2/opencv.hpp>using namespace cv;//光流跟蹤Mat frame, gray, pr_frame, pr_gray;std::vector<Point2f> inPoints;std::vector<Point2f> fpts[2];void trackFeature();int main(){  VideoCapture capture;  capture.open(0);  if(!capture.isOpened())  {    printf("can not open the camear....../n");    return -1;  }  namedWindow("input", CV_WINDOW_AUTOSIZE);  namedWindow("output", CV_WINDOW_AUTOSIZE);  while (capture.read(frame))  {      cvtColor(frame, gray, COLOR_BGR2GRAY);    if (fpts[0].size() < 40)    {      imshow("input", frame);      std::vector<Point2f> features;      //角點檢測      goodFeaturesToTrack(gray, features, 300, 0.01, 10);      fpts[0].insert(fpts[0].end(), features.begin(), features.end());      inPoints.insert(inPoints.end(), features.begin(), features.end());    }    else      printf("object tracking....../n");     if (pr_gray.empty())       gray.copyTo(pr_gray);    trackFeature();    for (int i = 0; i < fpts[0].size(); i++)       circle(frame, fpts[0][i], 2, Scalar(0,255,0),2,8,0);    gray.copyTo(pr_gray);    frame.copyTo(pr_frame);    imshow("output", frame);    waitKey(1);  }  waitKey(0);  capture.release();  return 0;}void trackFeature(){  std::vector<uchar> status;  std::vector<float> errors;  //計算稀疏特征集的光流  calcOpticalFlowPyrLK(pr_gray, gray, fpts[0], fpts[1], status, errors);  int k = 0;  for (int i = 0; i < fpts[1].size(); i++)  {    double dist = abs(fpts[0][i].x-fpts[1][i].x) + abs(fpts[0][i].y-fpts[1][i].y);    if (dist > 2 && status[i])    {      inPoints[k] = inPoints[i];      fpts[1][k++] = fpts[1][i];    }  }  inPoints.resize(k);  fpts[1].resize(k);  //繪制光流軌跡  RNG rng(0);   for (int i = 0; i < fpts[0].size(); i++)  {    Scalar color = Scalar(rng.uniform(0,255),rng.uniform(0,255),rng.uniform(0,255));    line(frame, inPoints[i], fpts[1][i], color,2);    circle(frame, fpts[1][i], 2, Scalar(0,255,255),2);  }  std::swap(fpts[1], fpts[0]);}