这两天，我在看OpenCV中的跟踪和运动这一部分。 跟踪和运动是个大课题，里面相关的内容有很多。 根据自己的学习进度，简单总结。
在处理视频而不是静止的图像时，我们经常关注屏幕中的一个或多个物体。 对运动物体的关注，往往不是以整个物体为关注对象，而是通过选择几个独特的特征点进行跟踪，引出转角的概念。
(1)专柜
转折点在运动和跟踪的研究中，可以作为跟踪的特征点带来的点被称为转折点。 直观地说，这是一个包含足够信息并可以从当前帧和下一帧中提取的点。
(2)转折点的具体描述
a .与一阶导数局部最大对应的像素点；
b .两条以上边缘的交点
c .图像中梯度值和梯度方向变化速度高点；
d .在角点的一次微分最大，二次微分为0，表示物体边缘变化不连续的方向。
(3) Harris角点检测算法综述
Harris角点检测算子是基于自相关函数给出的，得到矩阵m。 矩阵m中的特征值是自相关函数的一阶曲率，如果一阶曲率都较高，则认为这是特征点。
以下出示图进行直观说明。
图(a )在图像的平滑区域中窗口滑动，窗口在各个方向上没有变化。 图) b )窗口没有沿边缘方向变化。 图) c )窗口向各个方向变化。 此时是转折点。
Harris角点的检测，从一幅图像来看，主要与自相关函数的曲率特性有关。 自相关函数描述了局部图像灰度的变化程度，主要可以表示为：
在本公式中，e是由窗口的平移导致的图像的灰度变化，即，自相关函数，w是窗口，I是图像的灰度。 展开上式如下所示。
其中
对于小偏移：
其中包括：
为了进一步减少噪声，请使用mldzxc窗口进行图像降噪。 mldzxc窗口函数如下：
这样，e可以表示为矩阵。
其中：
为了避免求解m特征值(与m特征值和自相关函数的极值曲率相关)，定义：
给出转角的响应函数如下：
上式中的r的值越大，越有可能是角落。
以上想法是Harris提出的响应函数，但后来Shi和Tomasi发现，两个特征值小的大于最小阈值时，可以得到强的角点。
后来，一些学者提出了亚像素角的概念。 通俗地说，以拐角为初始点继续迭代，直到满足预设的迭代阈值条件。 具体请参考相关文献。
在OpenCV中，给出了使用Shi和Tomasi算法的函数cvGoodFeaturesToTrack ()，即先计算二次导数，再计算特征值，然后找到小特征值超过最小阈值的角点。
voidcvgoodfeaturestotrack (constcvarr * image，//输入的图像必须是8位或32位单通道图像CvArr* eigImage，CvArr* tempImage //这两个参数都是与输入图像相同的32位单通道图像CvPoint2D32f* corners，//是函数的输出，得到角数组int* corner_count。 //表示可以返回的最大角点数，程序结束后返回的角点数表示doublequality_此参数的默认值为0.1或0.01 double min_distance，//保证角点的距离为此参数的默认值//在计算导数自相关矩阵时指定点附近的int use_harris=0； //如果此参数的值不为0，则在Harris角点定义；如果为0，则在Shi-Tomasi中定义double k=0.4； //Hessian自相关矩阵，即用于设定Hessian行列式相对权重的权重系数。 这里可以回顾上述公式)以下是该程序的完整示例。
# include iostream # include opencv2/opencv.hppusingnamespacestd； # definemax _ corners 100 int main ((intcornerscount=max _ corners； cv point 2d 32 f corners [ max _ corners ]； IplImage *srcImage=0，*grayImage=0，*corners1=0，*corners2=0； int i； cvscalarcolor=cv _ RGB (255，0，0 )； char *filename='3.jpg '； cvnamedwindow('image '，1 )； SRCimage=cvloadimage(filename，1 )； gray image=cvcreateimage (cv getsize (src image )，IPL_DEPTH_8U，1 )； cvcvtcolor(srcimage，grayImage，CV_BGR2GRAY )； //转换为灰度corners1=cvcreateimage (cv getsize (src image )，IPL_DEPTH_32F，1 )； corners2=cvcreateimage (cv getsize (src image )，IPL_DEPTH_32F，1 )； //先绘制两幅图像，在函数中药中加入这两个参数cvgoodfeaturestotrack (gray image，corners1，corners2，corners，cornersCount，0.05，30 if(Cornerscount0) {for ) I=0； I颜色计数； I ) {cvcircle(srcimage，cvpoint ) (int ) ) corners[i].x )，int ) corners[i].y )，2，color，2，cv_ () cvsaveimage(imagedst.png )、srcImage )； cvreleaseimage(srcimage； cvreleaseimage (灰色图像； cvreleaseimage(corners1； cvreleaseimage(corners2； cvwaitkey(0； 返回0； }运行结果如下。
综上所述，虽然基本检测到了拐角，但似乎依然不太理想。 请修改函数cvGoodFeaturesToTrack () )的参数值，并在执行后尝试观察角点检测效果。