基于特征点匹配的车辆跟踪

前段时间针对电子警察做了下车辆跟踪，看了下相关调查，也没记得清这些综述上怎么细分类的，大致记得有：

1. 背景建模：参见opencv中sample中的blobtrack，要求背景静止光照稳定，opencv自带了包括高斯混合模型等几种背景建模方法，其它的效率较高的有VIBE；

2. 光流法：做跟踪的公司使用的较多，一般先根据车牌检测车辆，然后使用光流进行跟踪，在DSP上单目标跟踪时间可达到5ms左右；

3. 均值漂移和粒子滤波：只跑过opencv的sample，具体性能不太了解；

4. TLD：目前很热的算法，opencv3.0.0的contrib已经实现；

5. 基于特征匹配和轨迹聚类的目标跟踪算法：在本文有详细介绍；

由于是在DSP上集成车牌定位识别和车辆跟踪，综合考虑性能和效率选择了基于特征点匹配的目标跟踪，在保证性能的基础上做了部分优化使之满足实时要求。在《Mastering OpenCV with practical computer vision project》文档中有车牌定位识别的简单流程。

下面具体介绍基于特征匹配的车辆跟踪：

第一步是特征点检测和描述，特征检测有FAST、Harris、SIFT、SURF、Brief等，鉴于SIFT和SURF不能满足实时要求采用了FAST+单尺度SURF的改进方法，在背景图像中总是存在一些静止的背景特征点（例如斑马线上的角点，复杂背景中的检出点），这些都会对车辆上的角点产生干扰，需要建立角点背景模型去除，下图中Color Image为原图，Corner为FA