金字塔LK算法针对较大的运动图像序列。如果用一个大的窗口来捕获大的运动，往往会违背运动连贯的假设。也就是，这个大窗口内的子图像和原先的子图像发生了较大的变化。图像金子塔可以解决这个问题，最初在较大的空间尺度上进行跟踪，在通过对图像金字塔向下直到图像像素的处理来修正初始运动速度（位移）的假设。通俗的将，就是通过下采样是的大窗口变为小窗口，以此来满足运动连贯的假设。
偏导方法求解位移：
cvCalcOpticalFlowPyrLK中把特征点的速度和方向等价位特征的位移及其方向。
E为误差大小，wx，wy为x方向和y方向的窗口大小，I（x，y）为前一帧图像，J（x，y）为当前帧图像。一般的，假设如果是刚性运动，只要用以合理的搜索路径找位移d使得E最小，是块匹配的一种方法。
在金字塔LK算法，对E（d）求d的偏导，使得偏导数为0，从而求得相应的d。
It=I(x,y)-J(x,y)，J（x+dx,y+dy）在d=0出泰勒张开，则13式可以化为
dopt 是d的最优解，上式即为Lucas-Kandade 的光流方程，在实际求解过程中需要进行迭代求解。
效果如图：
3  基于形态学的人体判定
3.1  关键节点分类
本算法把人体关键节点分为13个，然后依据无遮挡人体外形粗略分为U型点和N型点：
U型点有5个：分别为头顶、左右手腕、左右手肘
N型点有3个：即手臂与身体两个，裆部一个
剩余的点可以根据关键点之间的父子依存关系判定，例如脖子节点与头部节点相连于身体一侧。
    
3.2  节点判定
U型点和N型点的判定都是在产生轮廓记录拐点的基础上进行的，其分别方法在于点间角度的内外旋区分：
Vector3f vt1 =  Vector3f (pt2.x-pt1.x,pt2.y-pt1.y,0);
                    Vector3f vt2=Vector3f t1.x-pt.x,pt1.y-pt.y,0);
                    arc12 = AngleBetweenVectors(vt1,vt2);
                    rarc12 = 180*arc12/pi;
                    Vector3f vtnor=Cross(vt1,vt2);                                   if(vtnor.z <0) total_arc -= rarc12;
                    else total_arc += rarc12;
                    if (abs(total_arc+180)<StandArc)  
                    {    //绘出U形的位置
                          //draw_2Points(pt,pre_pt,pt1,pt2,CV_RGB(255,255,250));
                        save_Points(pt,pre_pt,pt1,pt2,U_TYPE);
                        HasFoundedJoint = true ;
                    }
                    if (abs(total_arc-180)<nStandArc)  
                    {    //记录n形点的位置 OpenGL人体运动识别及模型模拟+文献综述(4):http://www.youerw.com/tongxin/lunwen_6467.html