Consensus-based Matching and Tracking of Keypoints for Object Tracking

最新推荐文章于 2020-08-27 17:28:50 发布

迭代是人_递归是神

最新推荐文章于 2020-08-27 17:28:50 发布

阅读量1.3k

点赞数

本文链接：https://blog.csdn.net/simplelove17/article/details/45116177

版权

该博客介绍了一种结合特征点检测、投票算法和目标跟踪的算法。首先，通过检测样本图像的关键点并区分前景和背景，然后利用特征匹配和光流法筛选活动关键点。接着，通过聚类方法确定目标中心，并更新目标边界。算法重点在于使用投票决策来处理关键点的偏差，提高跟踪准确性。

摘要由CSDN通过智能技术生成

基于特征点的目标跟踪算法，加入了投票算法，原理比较简单，算法流程如图所示。

Step1：在样本图像检测Keypoint，根据人工选择的区域划分前景Keypoint与背景Keypoint，分别计算相应的描述子descriptor，存储在feature的数据库的矩阵中。
Step2：给前景Keypoint分配从1开始的序列号，给背景Keypoint分配成统一的0序列号。并将它们存在class分类（前景）数据库的向量（矩阵）中。同时Keypoint中包含该点图像中的绝对坐标系中的位置。
Step3：进入循环（主要是初步选取活动的Keypoint和根据评估投票结果精选Keypoint和一些运动信息）
Step4: 初选Keypoint分为Track和Match的两个过程：（实际代码中与上述算法有所出入，这里先讲述上述算法）
在当前图像帧中检测Keypoint；
Step5：计算当前Keypoint与样本图像中的所有Keypoint（含前景与背景）的特征的距离或等同量，特征匹配程度较高的Keypoint作为Active Keypoint，即有效Keypoint。
Step6：
Track 过程：光流法计算相邻图像帧的关键点移动情况，倘若前向计算与后向计算结果相差不大且没有离开图像视野，则认为该点为active Keypoint;
Step7：合并上述的active Keypoint；
Step8: 根据Active Keypoint之间的距离和相应的样本中Keypoint之间的距离的比例，计算相应的尺寸变化的比例向量，取其中值。
Step9：类似的得到旋转角度。