计算机视觉CV 之 CMT跟踪算法分析二

最新推荐文章于 2024-09-03 21:30:19 发布

songrotek

最新推荐文章于 2024-09-03 21:30:19 发布

阅读量9.4k

点赞数 3

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/47775131

版权

本文深入探讨计算机视觉中的CMT算法，基于作者的两篇论文详细解析算法流程，包括特征点检测、匹配、光流跟踪和聚类等关键步骤，旨在提供全面的理解。

摘要由CSDN通过智能技术生成

1 前言

在上一篇文章中，我对CMT算法做了初步的介绍，并且初步分析了一下CppMT的代码，在本篇文章中，我将结合作者的论文更全面细致的分析CMT算法。

这里先说明一下，作者关于CMT算法写了两篇文章：
Consensus-based Matching and Tracking of Keypoints for Object Tracking （wacv2014 best paper reward）
Clustering of Static-Adaptive Correspondences for Deformable Object Tracking （cvpr 2015）
其中wacv的文章从更工程的角度来分析CMT的算法，写出来其详细的流程，比较推荐阅读。

2 CMT 算法流程

这里写图片描述
这里我直接截取了文章中的原图。

我把它翻译一下：

算法 CMT
输入：视频帧，初始的物体框
输出：每一帧视频的物体框
要求：后继的物体框能够保持框住初始框框住的物体
步骤：
Step 1：检测初始视频帧的所有特征点和特征描述，不仅仅是框内的点而是整个图像的点，所以在代码中可以看到，初始的database数据库的特征描述包含了前景（框内）和背景（框外）的特征
Step 2：将初始框内的特征描述赋给K1
Step 3：从第二帧开始
Step 4：检测视频帧的特征点P
Step 5：将特征点P与O匹配，获取匹配的特征点M
Step 6：利用上一帧的特征点使用光流法跟踪得到这一帧的特征点的位置T
Step 7：融合特征点M和特征点T得到这一帧的总的特征点K’
Step 8：根据K’估计特征点相对初始帧特征的缩放比例
Step 9：根据K’估计特征点相对初始帧特征的旋转比例
Step 10：根据Step7，8，9得到的数据计算每一个特征点的Vote
Step 11：采用聚类的方法选取最大的类也就是最一致的VoteC
Step 12：将VoteC转换回特征点得到最后这一帧的有效特征点
Step 13：判断VoteC的长度是否大于最小阈值，如果是则计算最后新的旋转矩形框的参数，如果不是也就是框太小了则输出0

下面结合代码及论文分析每一步

Step 1，2 初始化

在CMT.cpp的代码中可以比较清晰的理解，就是使用openCV的Fast或者BRISK特征检测及特征描述。然后关键是存储有效的数据在数据库用于之后的匹配，主要在以下两个代码

    //Initialize matcher 初始化匹配器
    matcher.initialize(points_normalized, descs_fg, classes_fg, descs_bg, center);

    //Initialize consensus 初始化一致器
    consensus.initialize(points_normalized);