计算机视觉CV 之 CMT跟踪算法分析3

最新推荐文章于 2025-02-01 19:57:14 发布

songrotek

最新推荐文章于 2025-02-01 19:57:14 发布

阅读量5.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： Computer Vision 文章标签：计算机视觉算法 CMT

本文链接：https://blog.csdn.net/songrotek/article/details/47830463

本文深入探讨CMT算法的第4、5、6步，涉及特征点匹配与数据融合，以及第8、9步的缩放比率和旋转角度估计。通过匹配的Hamming距离确定最佳匹配，结合跟踪信息避免重复添加特征点。接着，计算特征点间的相对距离和角度变化，以估算整体的缩放和旋转效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 前言

在上一篇blog中，我们分析了CMT的整体算法流程及前面几步的实现分析，接下来我们继续分析后面的几步。

2 Step 4，5，6 特征点匹配与数据融合

这几步就是通过跟踪和特征匹配来获取这一帧的特征点，将两者融合在一起。

上一篇文章分析了光流，这里再分析一下特征匹配。源代码如下：

    //Detect keypoints, compute descriptors 计算当前图像的关键点
    vector<KeyPoint> keypoints;
    detector->detect(im_gray, keypoints);
    // 计算当前图像特征点的描述
    Mat descriptors;
    descriptor->compute(im_gray, keypoints, descriptors);
    //Match keypoints globally 在全局和之前的数据库匹配特征点，计算出匹配的特征点
    vector<Point2f> points_matched_global;
    vector<int> classes_matched_global;
    matcher.matchGlobal(keypoints, descriptors, points_matched_global, classes_matched_global);

主要过程在matchGlobal函数中，分析如下：

void Matcher::matchGlobal(const vector<KeyPoint> & keypoints, const Mat descriptors,
        vector<Point2f> & points_matched, vector<int> & classes_matched)
{

    if (keypoints.size() == 0)
    {
        return;
    }

    vector<vector<DMatch> > matches;
    // 使用knnMatch进行特征匹配，每一个特征描述匹配最佳的2个特征
    bfmatcher->knnMatch(descriptors, database, matches, 2);

    for (size_t i = 0; i < matches