LK算法的金字塔实现

Pyramidal Implementation of the Lucas Kanade Feature Tracker

本篇文章是opencv中用LK光流算法实现视频跟踪的金字塔实现方法

1.问题描述

设I和J为两张2维灰度图像，I(x) = I(x,y)和J(x) = J(x,y)为这两张图片在点x=[x, y]^T的灰度值，x和y是图片上的点x的像素坐标。I一般用来做第一张图片，而J一般用来当做第二章图片。在实际问题中，图片I和J是离散函数（或数组），定义左上角的像素坐标向量为[0 0]^T，设n_x和n_y为这两张图片的宽度和高度。则右下角的像素坐标向量为[n_x-1n_y-1]^T。

假设一个点u= [u_x u_y]^T为第一张图片I上的一个点。特征点追踪的目标是在第二张图片J找到一个点v使得v = u + d = [u_x+d_xu_y+d_y]^T，就好比I(u)和J(v)是相似的。向量d=[d_xd_y]^T是x点的图片速度，也就是众所周知的x点的光流。由于孔径问题，定义二维临近相似度的概念就是十分必要的了。设w_x和w_y是两个整数。我们定义图片速率d（x点的光流）是用来最小化差异函数的向量，定义如下：

    (1)

由这个定义可以得知，近似函数是通过图片的邻居大小来测量的，这个图片邻居也被称为集成窗口。一般w_x和w_y的取值为2,3,4,5,6,7个像素。

完整文章如下：点击打开链接

翻译一篇5000字不容易，赚点积分