OpenCV的运动估计算法（cv2.calcOpticalFlowFarneback）

使用Gunnar Farneback算法计算稠密光流.

cv2.calcOpticalFlowFarneback(prevImg, nextImg, pyr_scale, levels, winsize, iterations, poly_n, poly_sigma, flags[, flow]) → flow

官方解释：Motion Analysis and Object Tracking — OpenCV 2.3.2 documentation

prevImg：前一帧的图像（灰度图像）

nextImg：下一帧的图像

flow：与prevImg大小相同，且类型 为CV_32FC2的计算流图像。（ CV_32FC2是指一个32位浮点型双通道矩阵）

pyr_scale ：指定图像比例 (<1) 的参数，以便为每个图像构建金字塔。 pyrScale=0.5 表示经典金字塔，其中下一层比上一层小两倍。

levels: 包括初始图像在内的金字塔图层数。levels=1 表示不创建额外的图层，仅使用原始图像。

winsize ：平均窗口大小;较大的值会增加算法对图像噪声的鲁棒性，并可以检测更快速的运动，但会产生更模糊的运动场。

iterations ：算法在每个金字塔级别执行的迭代次数

poly_n：用于在每个像素中查找多项式扩展的像素邻域的大小。较大的值意味着图像将具有更平滑的表面，从而产生更强大的算法和更模糊的运动场。通常，polyN = 5 或 7。

poly_sigma：与poly_n有对应关系，高斯的标准差，用于平滑用作多项式展开基础的导数。对于 polyN=5 ，可以设置 polySigma=1.1 。对于polyN=7，一个好的值是polySigma=1.5。

flags:两种选择

OPTFLOW_USE_INITIAL_FLOW：使用输入流作为初始流近似。

OPTFLOW_FARNEBACK_GAUSSIAN：使用高斯 winsize*winsize 滤波器代替相同大小的盒式滤波器进行光流估计。通常，与箱式过滤器相比，此选项可提供更精确的 z 流量，但会降低速度。通常， 应将高斯窗口的winsize 设置为更大的值，以实现相同级别的鲁棒性。

这个函数为每一个之前的图像的每一个像素点找到了一个光流，所以可以表示为：