98、实时无描述符特征跟踪与自适应锐化算法解析

实时无描述符特征跟踪与自适应锐化算法解析

1. 实时无描述符特征跟踪

1.1 跟踪示例与评估

通过利用运动连贯性，即使在极其规则的纹理场景中，也能够跟踪大量特征。图 6 展示了跟踪示例，包括平移、缩放和旋转情况。

跟踪评估方面，通过绘制跟踪点数量与跟踪时间长度（以连续帧为单位）的关系图。该算法在长时间内，即使在具有大均匀纹理区域的困难场景（如 paper - mountain.avi、floor - texture.avi）中，也能获得数百条正确的轨迹。而基于局部补丁描述符的经典方法在这种情况下容易失败。

不同测试视频的跟踪结果如下：
| 测试视频 | 最短跟踪轨迹情况 | 最长跟踪轨迹情况 |
| ---- | ---- | ---- |
| floor - texture.avi、template - 2.avi | 最坏情况下，140 多帧跟踪 100 多个点 | |
| paper - mountain.avi、table - 1.avi、table - 2.avi | | 跟踪轨迹更长 |
| table - 1.avi | | 60 多个点跟踪 280 多帧，最多 10 个点跟踪 400 多帧 |

1.2 结论

该方法表明，外观描述符对于稀疏光流的长期稳定估计并非必需。全局运动连贯性足以消除特征匹配的歧义，即使在纹理无差别的场景中也是如此。这为宽基线匹配提供了一种有利的替代方案，因为通过时空连续历史即可实现不变关键点的表征。

该跟踪方法在计算时间上非常高效，实验表明，在相机运动丰富的视频序列中，数十秒内可以跟踪数百个点。这为基于帧间