El flujo óptico se define como el campo de movimiento de píxeles entre dos imágenes consecutivas. Tradicionalmente, para estimar el campo de movimiento de píxeles (o flujo óptico), se propone un modelo de energía. Este modelo de energía se compone de (i) un término de datos y (ii) un término de regularización. El término de datos es una estimación del error del flujo óptico y el término de regularización impone suavidad espacial. Los modelos variacionales tradicionales utilizan una linealización en el término de datos. Esta versión linealizada del término de datos falla cuando el desplazamiento del objeto es mayor que su propio tamaño. Recientemente, la precisión del método de flujo óptico ha aumentado debido al uso de información adicional, obtenida de correspondencias calculadas entre dos imágenes obtenidas por diferentes métodos como SIFT, emparejamiento profundo y búsqueda exhaustiva. Este trabajo presenta un estudio empírico para evaluar diferentes estrategias para localizar correspondencias exhaustivas que mejoren la estimación del flujo. Consideramos una ubicación diferente para emparejar ubicaciones aleatorias, ubicaciones uniformes y ubicaciones en la magnitud del gradiente máximo. Además, probamos la combinación de gradientes grandes y medianos con ubicaciones uniformes. Evaluamos nuestra metodología en la base de datos MPI-Sintel, que representa las bases de datos de evaluación de vanguardia. Nuestros resultados en MPI-Sintel muestran que nuestra propuesta supera a métodos clásicos como Horn-Schunk, TV-L1 y LDOF, y nuestro método tiene un rendimiento similar al de MDP-Flow.