Kanade-Lucas-Tomasi Feature Tracker 程式碼分析

因為研究需要，仔細看了下代碼，看看有什麼可以利用的地方。

整體來說Kanade-Lucas-Tomasi Feature Tracker的方法就是首先找去特徵點，之後用光流去跟蹤的方法。

Opencv中已經有了example，大家可以運行下看效果，同時Homepage：http://www.ces.clemson.edu/~stb/klt/

上有源碼，整個的流程跟Opencv差不多。

我們以官網上的原程式中的example1進行分析：（剩下的幾個例子整體流程都差不多，僅僅是目的不一樣）

首先都是建立兩個結構體：

  tc = KLTCreateTrackingContext();  KLTPrintTrackingContext(tc);  fl = KLTCreateFeatureList(nFeatures);

tc就是跟蹤的中用到的一些參數在選特徵點的時候也有用到。

fl就是我們說道德特徵點了，包括了特徵值和特徵點在映像中的位置。

之後使用：

KLTSelectGoodFeatures(tc, img1, ncols, nrows, fl);

使用上面的函數選取特徵點

KLTTrackFeatures(tc, img1, img2, ncols, nrows, fl);

使用這個函數在img2中尋找對應的特徵點。

一次迴圈就可以實現跟蹤了。

那麼出現了一個問題：特徵點是怎麼定義的：

我們分析KLTSelectGoodFeatures這個函數：

函數中又使用了：

_KLTSelectGoodFeatures(tc, img, ncols, nrows,                          fl, SELECTING_ALL);

這個函數，函數中首先見了了一個pointlist的分量，並分配了記憶體空間：

 pointlist = (int *) malloc(ncols * nrows * 3 * sizeof(int));

為什麼要*3呢？其實pointlist中存了映像中點的位置x，y和特徵值的大小val。

特徵值是什麼呢？這個特徵是就是對應像素點的梯度值。

{    register float gx, gy;    register float gxx, gxy, gyy;    register int xx, yy;    register int *ptr;    float val;    unsigned int limit = 1;    int borderx = tc->borderx;/* Must not touch cols */    int bordery = tc->bordery;/* lost by convolution */    int x, y;    int i;    if (borderx < window_hw)  borderx = window_hw;    if (bordery < window_hh)  bordery = window_hh;    /* Find largest value of an int */    for (i = 0 ; i < sizeof(int) ; i++)  limit *= 256;    limit = limit/2 - 1;    /* For most of the pixels in the image, do ... */    ptr = pointlist;    for (y = bordery ; y < nrows - bordery ; y += tc->nSkippedPixels + 1)      for (x = borderx ; x < ncols - borderx ; x += tc->nSkippedPixels + 1)  {        /* Sum the gradients in the surrounding window */        gxx = 0;  gxy = 0;  gyy = 0;        for (yy = y-window_hh ; yy <= y+window_hh ; yy++)          for (xx = x-window_hw ; xx <= x+window_hw ; xx++)  {            gx = *(gradx->data + ncols*yy+xx);            gy = *(grady->data + ncols*yy+xx);            gxx += gx * gx;            gxy += gx * gy;            gyy += gy * gy;          }        /* Store the trackability of the pixel as the minimum           of the two eigenvalues */        *ptr++ = x;        *ptr++ = y;        val = _minEigenvalue(gxx, gxy, gyy);        if (val > limit)  {          KLTWarning("(_KLTSelectGoodFeatures) minimum eigenvalue %f is "                     "greater than the capacity of an int; setting "                     "to maximum value", val);          val = (float) limit;        }        *ptr++ = (int) val;        npoints++;      }

代碼中的特徵值取得時每個像素點臨域梯度值的加權值。

之後程式來到了函數：

 _enforceMinimumDistance(    pointlist,    npoints,    featurelist,    ncols, nrows,    tc->mindist,    tc->min_eigenvalue,    overwriteAllFeatures);

這裡通過比較每個像素點val和對應閾值的大小來提取特徵點：

if (!featuremap[y*ncols+x] && val >= min_eigenvalue)  {      featurelist->feature[indx]->x   = (KLT_locType) x;      featurelist->feature[indx]->y   = (KLT_locType) y;      featurelist->feature[indx]->val = (int) val;      featurelist->feature[indx]->aff_img = NULL;      featurelist->feature[indx]->aff_img_gradx = NULL;      featurelist->feature[indx]->aff_img_grady = NULL;      featurelist->feature[indx]->aff_x = -1.0;      featurelist->feature[indx]->aff_y = -1.0;      featurelist->feature[indx]->aff_Axx = 1.0;      featurelist->feature[indx]->aff_Ayx = 0.0;      featurelist->feature[indx]->aff_Axy = 0.0;      featurelist->feature[indx]->aff_Ayy = 1.0;      indx++;

min_eigenvalue就是所使用的閾值，在tc中定義

那麼程式的修改，我們需要根據自己的特徵對這個閾值進行修改，同時對featurelist進行如上的修改，其實主要還是x，y，val三個值的修改。

不對的地方請大家指正。