xiaoxu的博客

该方法提出的是TAP模型，而且采用的是两阶段的跟踪方法。这两个阶段分别为：a matching stage:匹配阶段a refinement stage:细化阶段在匹配阶段：独立地为每隔一帧上的查询点找到合适的候选点匹配。根据局部相关性更新轨迹和查询特征。生成的模型在 TAP-Vid 基准上显着超越了所有基线方法，解读：先对第一个阶段的匹配阶段来进行细化的解读目标：在视频的每隔一帧（例如第 t+1 帧、第 t+2 帧等）中，为每个查询点找到一个最合适的候选点。

我们多视几何的基础就在于是需要不同的相机拍摄的同一个物体的视场是由重合的区域的。双目相机是模拟人观看世界的方式，来对深度的距离进行估算。人之所以能够感受到立体视觉，是因为人的左右眼之间有6到7cm的间隔，左眼与右眼看到的影像会有细微的差别，所以我们很容易判断物体的远近以及多个物体的前后关系。双目立体视觉的基本原理与人眼观察世界的方式类似，双目立体视觉获取图像是通过不同位置的两台摄像机或者一台摄像机经过平移或旋转拍摄同一幅场景，双目立体视觉的测量原理实际上是和人眼类似的。

因为版权的问题：SIFT和它的改进算法SURF算法在2020年之后版权到期，要想通过opencv调用要使用之前指定版本的opencv。

首先我们应该了解的是背景建模的定义是什么？又有哪些应用场景呢？在视频中，背景通常被定义为相对稳定的部分，例如墙壁、地面或天空等。背景建模的目标是将动态的前景对象与静态的背景进行分离，以便进一步分析和处理。

SIFT算法的实质是在不同的尺度空间上查找关键点（特征点），并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。SIFT算法特点具有较好的稳定性和不变形，能够适当旋转、尺度缩放、亮度的变化能在一定程度上不受视角变化、仿射变换、噪声的干扰。区分性好，能够在海量特征数据库中进行快速准确的区分信息进行匹配多属性，就算只有单个物体，也能产生大量特征向量高速性，能够快速的进行特征向量匹配。

同理按照相同的套路进行递归或者说是循环，就可以依次的得到 R3 R3 R1的输出结果。Coarse-to-Fine的一个过程。先把整体做好，再还原细节。

引言介绍：如果只是希望获取图像上的一些信息（例如等），那么我们不会对三维空间中相机的位置有所要求。但如果希望通过二维的图像去理解三维空间中摄像机的信息，或者是图像中物体在三维空间中的信息，那么就不得不考虑成像过程中三维变化为二维时的具体过程。而摄像机模型就是三维到二维的一种映射。本文简要总结了单目相机的成像过程，以便于读者将相机模型作为一种基础的工具理解更深层次的内容。