通过子空间约束实现更优的特征跟踪
计算机视觉与模式识别
2019-04-09 v1
摘要
视频中的特征跟踪是计算机视觉中的一项关键任务。通常，跟踪问题是逐个特征处理的，使用如 Kanade-Lucas-Tomasi 算法或其衍生算法之一的单特征跟踪器。虽然这种方法在处理高质量视频和“强”特征时效果很好，但在面对包含低质量特征的黑暗和噪声视频时往往失效。我们提出了一个联合跟踪一组特征的框架，这使得场景中的不同特征之间能够共享信息。我们表明，我们的方法可用于跟踪刚性和非刚性运动（可能是少数运动物体）的特征，即使某些特征被遮挡。此外，它可用于显著改善光照不足场景（其中混合了好坏特征）的跟踪结果。我们的方法不需要对场景结构或运动进行直接建模，并且可以在单个 CPU 核心上实时运行。
引用
@article{arxiv.1405.2316,
title = {Better Feature Tracking Through Subspace Constraints},
author = {Bryan Poling and Gilad Lerman and Arthur Szlam},
journal= {arXiv preprint arXiv:1405.2316},
year = {2019}
}
备注
8 pages, 2 figures. CVPR 2014