基于shitomasi角点检测的追踪算法。应用场景是摄像头固定物体移动的情况下

角点的描述&＃xff1a;

一阶导数(即灰度的梯度)的局部最大所对应的像素点&＃xff1b;
两条及两条以上边缘的交点&＃xff1b;
图像中梯度值和梯度方向的变化速率都很高的点&＃xff1b;

角点处的一阶导数最大&＃xff0c;二阶导数为零&＃xff0c;指示物体边缘变化不连续的方向

由于Harris算法的稳定性和k值有关&＃xff0c;Shi-Tomasi发现&＃xff0c;角点的稳定性和矩阵M的较小特征值有关&＃xff0c;改进的Harris算法即直接计算出矩阵M的特征值&＃xff0c;用较小的特征值与阈值比较&＃xff0c;大于阈值的即为强特征点。

LK跟踪算法&＃xff1a;

KLT角点跟踪算法全称Kanade-Lucas-Tomasi Tracking&＃xff0c;又称LK跟踪算法。是经典的角点跟踪算法。算法假设目标在视频流中&＃xff0c;只产生一致性的小位移&＃xff0c;并且目标的灰度变化不大。那么算法必须是在以下3个假设成立的前提下发挥良好的效果。

&＃xff08;1&＃xff09;亮度恒定。
&＃xff08;2&＃xff09;时间连续或者运动位移小。

&＃xff08;3&＃xff09;空间一致性&＃xff0c;邻近点有相似运动&＃xff0c;保持相邻。

由于大而连贯的运动是普遍存在的情况&＃xff0c;所以LK光流正因为这个原因在实际中的跟踪效果并不是很好。我们需要大的窗口来捕获大的运动&＃xff0c;而大窗口往往违背运动连贯的假设&＃xff01;而图像金字塔可以解决这个问题&＃xff0c;于是乎&＃xff0c;金字塔Lucas-Kanade就提出来了。 金字塔Lucas-Kanade跟踪方法是&＃xff1a;在图像金字塔的最高层计算光流&＃xff0c;用得到的运动估计结果作为下一层金字塔的起始点&＃xff0c;

重复这个过程直到到达金字塔的最底层。这样就将不满足运动的假设可能性降到最小从而实现对更快和更长的运动的跟踪。