计算机视觉CV 之 CMT跟踪算法分析四_视觉算法cv怎么写-CSDN博客

本文链接：https://blog.csdn.net/songrotek/article/details/48022597

本文深入探讨了计算机视觉中的CMT（Comaniciu-Meinhardt-Trimpe）跟踪算法，主要集中在算法的最后步骤分析，揭示了该算法在目标跟踪中的关键技术和应用。

摘要由CSDN通过智能技术生成

1 前言

在上一部分我们已经分析到了计算特征点的缩放和旋转，这里最后分析去掉不好的特征点的方法。

2 最后步骤分析

vote的基本思想就是这些特征点相对中心的相对距离在把缩放旋转考虑进去之后是相对不变的，也就是按道理下一帧的特征点相对中心的位置是不变的。

但是由于图像本身的变化，不可能得到完全一样的相对位置，这个时候，有一些会离中心近，有一些会偏差很大。那么，作者就采用聚类的方法，选择最大的一类作为最好的特征点。其他的不要。

上面这个图应该可以很好的理解这个过程。再看作者自己官网上的图大家应该可以理解。

代码上作者找了一个聚类的库来做，具体我没有深入分析了：

void Consensus::findConsensus(const vector<Point2f> & points, const vector<int> & classes,
        const float scale, const float rotation,
        Point2f & center, vector<Point2f> & points_inlier, vector<int> & classes_inlier)
{

    //If no points are available, reteurn nan
    if (points.size() == 0)
    {
        center.x = numeric_limits<float>::quiet_NaN();
        center.y = numeric_limits<float>::quiet_NaN();

        return;
    }

    //Compute votes 计算投票：基本方