ENFT：用于鲁棒运动恢复结构的高效非连续特征跟踪
计算机视觉与模式识别
2016-10-13 v2
摘要
运动恢复结构（SfM）在很大程度上依赖于特征跟踪。在图像序列中，若由物体移入移出视场、偶尔遮挡或图像噪声引起的断裂轨迹得不到妥善处理，相应的 SfM 会受到影响。对于通常需要捕获多个序列以覆盖整个场景的大规模场景，该问题更为严重。本文提出一种高效非连续特征跟踪（ENFT）框架，用于匹配分布于不同子序列甚至不同视频中的中断轨迹。我们的框架包含以下步骤：在结构不显著、存在噪声或较大图像畸变时解决特征‘丢失’问题，以及快速识别并连接位于不同子序列中的公共特征。此外，我们提出了一种有效的基于片段的由粗到精 SfM 算法，以鲁棒地处理大型数据集。在具有挑战性的视频数据上的实验结果证明了所提系统的有效性。
引用
@article{arxiv.1510.08012,
title = {ENFT: Efficient Non-Consecutive Feature Tracking for Robust Structure-from-Motion},
author = {Guofeng Zhang and Haomin Liu and Zilong Dong and Jiaya Jia and Tien-Tsin Wong and Hujun Bao},
journal= {arXiv preprint arXiv:1510.08012},
year = {2016}
}
备注
15 pages, 12 figures