KLT算法起初用于图像配准，通过寻找最小化差异的视差向量解决图像匹配问题。它涉及Newton-Raphson迭代和加权处理，以适应图像的不平坦区域。在多维情况下，通过仿射运动域扩展，适用于目标跟踪。KLT算子因其在目标跟踪系统中的广泛应用而备受青睐，现代实现中还包括GPU加速版本。
正在前面的系列博文中，介绍了多种特征算子，在本文中将介绍由Kanade-Lucas两人在上世纪80年代在其论文：
An Iterative Image Registration Technique with an Application to Stereo Vision中提出的一个算子，后来称为KLT算法。该算法最开始是一种图像点定位的方法，即图像的局部匹配，将图像匹配问题，从传统的滑动窗口搜索方法变为一个求解偏移量d的过程。后来，
Jianbo Shi和Carlo Tomasi两人在1994的CVPR上发表了篇论文：
Good Features To Track，进一步对KLT算法进行了完善，并在该文中分析了在求解d的过程中，哪些情况下可以保证一定能够得到d的解，这些情况的点有什么特点（其实就是一些角点）。下面的内容将对论文中介绍的KLT算法进行详细地介绍与分析。
最初，KLT算法是为了解决图像配准问题（Registration Problem）而提出的，可以表述如下：对于给定的图像F(x)和G(x)，
订阅专栏 解锁全文
扫一扫
6901
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
