Kanade-Lucas-Tomasi Feature Tracker 代码分析

因为研究需要，仔细看了下代码，看看有什么可以利用的地方。

整体来说Kanade-Lucas-Tomasi Feature Tracker的方法就是首先找去特征点，之后用光流去跟踪的方法。

Opencv中已经有了example，大家可以运行下看效果，同时Homepage：http://www.ces.clemson.edu/~stb/klt/

上有源码，整个的流程跟Opencv差不多。

我们以官网上的原程序中的example1进行分析：（剩下的几个例子整体流程都差不多，仅仅是目的不一样）

首先都是建立两个结构体：

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

tc就是跟踪的中用到的一些参数在选特征点的时候也有用到。

fl就是我们说道德特征点了，包括了特征值和特征点在图像中的位置。

之后使用：

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

使用上面的函数选取特征点

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

使用这个函数在img2中寻找对应的特征点。

一次循环就可以实现跟踪了。

那么出现了一个问题：特征点是怎么定义的：

我们分析KLTSelectGoodFeatures这个函数：

函数中又使用了：

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

这个函数，函数中首先见了了一个pointlist的分量，并分配了内存空间：

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

为什么要*3呢？其实pointlist中存了图像中点的位置x，y和特征值的大小val。

特征值是什么呢？这个特征是就是对应像素点的梯度值。

{
    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++;
      }

代码中的特征值取得时每个像素点临域梯度值的加权值。

之后程序来到了函数：

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

这里通过比较每个像素点val和对应阈值的大小来提取特征点：

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就是所使用的阈值，在tc中定义

那么程序的修改，我们需要根据自己的特征对这个阈值进行修改，同时对featurelist进行如上的修改，其实主要还是x，y，val三个值的修改。

不对的地方请大家指正。