我花了几个月的时间研究并进行关键点检测，描述和匹配过程的实验。在最后一个时期，我也谈到了增强现实背后的概念，恰恰是“无标记”识别和姿态估计。
幸运的是，我发现以前的概念仍然广泛用于此设置。创建基本增强现实的常见管道如下，没有详细介绍每个所需的算法：
在每一帧捕捉视频时......
- 获取一些关键点并创建描述符
- 找出这些点与之前保存的“标记”（如照片）中的点之间的匹配
- 如果匹配足够，估计可见对象的姿势并使用它
也就是说，这是一个非常简化的程序，例如this student(?) project。
现在的问题是：在我的个人研究中，我还发现了另一种称为“光流”的方法。我还处在研究的开始阶段，但首先我想知道它与之前的方法有多大不同。具体做法是：
感谢您的合作。
答案 0 :(得分：6)
光流计算很慢，而最近检测速度的发展已经很多。增强现实商业解决方案需要实时性能。因此，很难应用基于光流技术（直到你使用一个好的GPU）。 AR系统主要使用基于特征的技术。大多数时候，他们的目标是了解场景的3D几何，可以通过一组点进行稳健估计。其他差异已被old-ufo提及。
答案 1 :(得分：5)
光流（OF）是围绕所谓的＆＃34;亮度恒常假设＆＃34;的方法。你假设像素 - 更具体，他们的强度（达到一些三角洲） - 没有变化，只是变化。你找到了这个等式的解决方案： I（x，y，t）= I（x + dx，y + dy，t + dt）。
Tailor系列的第一个订单是： I（x + dx，y + dy，t + dt）= I（x，y，t）+ I_x * dx + I_y * dy + I_t * dt。
然后你解决这个等式并得到每个像素的dx和dy - 移位。
upd。：如果不应用于整个图像，但补丁，光流与Lucas-Kanade-Tomashi tracker几乎相同。
此方法与基于特征的方法之间的差异是密度。对于特征点，您通常只能获得特征点的位置差异，而光流估计整个图像的位置。
缺点是香草OF仅适用于小位移。为了处理较大的图像，可以缩小图像并在其上计算OF - ＆＃34;粗到细＆＃34;方法
可以改变亮度恒定假设＆＃34; to，即＆＃34;描述符常数假设＆＃34;并使用描述符值而不是原始强度来求解相同的等式。 SIFT flow就是一个例子。
不幸的是，我对增强现实商业解决方案了解不多，无法回答最后一个问题。