Lucas-Kanade 前向加性算法原理

核心思想

给定一个模板$T$和一个输入$I$，以及一个或多个变换$W$, 求一个参数最佳的变换$W$,使得下式最小化：
$$\underset{x}{\min }\sum [I(W(\overrightarrow{x},\overrightarrow{p}))-T(\overrightarrow{x}){]}^2$$
在求最优解的时候，该算法假设目前的变换参数$\overrightarrow{p}$已知，并迭代的计算的增量，使得更新后的
$\overrightarrow{p}=\overrightarrow{p}+\Delta \overrightarrow{p}$ 能令上式比原来更小。
则上式改写为：
$$\underset{x}{\min }\sum [I(W(\overrightarrow{x},\overrightarrow{p}+\Delta \overrightarrow{p}))-T(\overrightarrow{x}){]}^2$$

算法流程

1.初始化参数向量$\overrightarrow{p}$
2.计算下式
$$\sum _x[I(W(\overrightarrow{x},\overrightarrow{p}))-T(\overrightarrow{x}){]}^2$$
及其关于$\overrightarrow{p}$导数，求得参数增量向量$\Delta \overrightarrow{p}$

3.更新$\overrightarrow{p}$，$\overrightarrow{p}=\overrightarrow{p}+\Delta \overrightarrow{p}$
4.若$\Delta \overrightarrow{p}$小于某个小量，即当前参数向量$\overrightarrow{p}$基本不变化了，那么停止迭代，否则继续2,3两步骤。

具体做法

对$I(W(\overrightarrow{x},\overrightarrow{p}+\Delta \overrightarrow{p})$做一阶泰勒级数展开，
则目标函数变为：
$$\sum _x[I(W(\overrightarrow{x},\overrightarrow{p}))+\Delta I\frac{\partial W}{\partial \overrightarrow{p}}\Delta \overrightarrow{p}-T(\overrightarrow{x}){]}^2$$
对其求导，并令导数为0，得到下式：
$$2\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[I(W(\overrightarrow{x},\overrightarrow{p}))+\Delta I\frac{\partial W}{\partial \overrightarrow{p}}\Delta \overrightarrow{p}-T(\overrightarrow{x})]=0$$

对上式中的$\Delta \overrightarrow{p}$求解即可，得到$\Delta \overrightarrow{p}$的是的解析解：
$$\Delta \overrightarrow{p}=H^{-1}\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[T(\overrightarrow{x})-I(W(\overrightarrow{x},\overrightarrow{p}))]$$
其中
$$H=\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}]$$

Lucas-Kanade算法（前向加性算法）

迭代

1. 利用变换关系$W(\overrightarrow{x},\overrightarrow{p})$，将$T$中各个像素点的坐标对应到$I$中的相应的像素点的坐标，得到$I(W(\overrightarrow{x},\overrightarrow{p}))$。
   即$T$和$I(W(\overrightarrow{x},\overrightarrow{p}))$的大小尺寸（像素个数和长宽）相同。

2. 计算$T(\overrightarrow{x})-I(W(\overrightarrow{x},\overrightarrow{p}))$，获得误差图像。

3. 计算$I$中与$T$经过$W(\overrightarrow{x},\overrightarrow{p})$变换对应的像素点的梯度图像$\Delta I$，
   即计算$I(W(\overrightarrow{x},\overrightarrow{p}))$中各个点在$I$中的梯度。
   利用$W(\overrightarrow{x},\overrightarrow{p})$，将$T$中各个像素点的坐标对应到$I$的梯度图像$\Delta I$中各个点的坐标。

4. 计算在$(\overrightarrow{x},\overrightarrow{p})$设定下的Jacobian $\frac{\partial W}{\partial \overrightarrow{p}}$,
   即代入当前参数$\overrightarrow{p}$，计算 $\frac{\partial W}{\partial \overrightarrow{p}}$。
   如果$x$是二维坐标，即$\frac{\partial W}{\partial \overrightarrow{p}}=[]$，也就是说每行是对$W$中每个分量对于$\overrightarrow{p}$的每个参数分量的导数：
   $$W(\overrightarrow{x},\overrightarrow{p})=(W_x(\overrightarrow{x},\overrightarrow{p}),W_y(\overrightarrow{x},\overrightarrow{p}){)}^T$$

5. 计算最速梯度下降图$\Delta I\frac{\partial W}{\partial \overrightarrow{p}}$,
   即利用$\frac{\partial W}{\partial \overrightarrow{p}}$与$$\Delta I$中每个像素点相乘。

6. 利用上述提到的公式计算Hessian矩阵
   $$H=\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}]$$

7. 利用上面步骤计算得到的值，计算
   $$\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[T(\overrightarrow{x})-I(W(\overrightarrow{x},\overrightarrow{p}))]$$

8. 利用上述提到的公式计算参数向量的增量
   $$\Delta \overrightarrow{p}=H^{-1}\sum _x[\Delta I\frac{\partial W}{\partial \overrightarrow{p}}{]}^T[T(\overrightarrow{x})-I(W(\overrightarrow{x},\overrightarrow{p}))]$$

9. 更新$\overrightarrow{p}$，$\overrightarrow{p}=\overrightarrow{p}+\Delta \overrightarrow{p}$

转载自