2.2.2 跟踪选定的特征点

本文采用了KL（Kanade-Lucas）算法，以下为介绍KL算法是如何实现跟踪的。假设两幅2D的灰度图像分别是I(x，y)和J(x，y)，有一个点u在第一副图像I(x，y)上，现在要解决的问题是如何在J(x，y)也找到一个相似的点v，使得,那么矢量表示的就是图像的速度，称之为光流。如果假设，为两个整数，我们只要使得d最小化就可以求出光流的方向。

在上述等式中，我们观察到计算是在的窗口里计算出来的，这个窗口叫做特征窗口，一般，取值为2，3，4，5，6，7。

通过给定特征点的初始位置和两幅连续的图像帧，就可以利用上述等式就可以用来解决该特征点的大致位移。

对于在特征跟踪过程中，由于存在自遮挡现象或者运动变化过大，而导致特征点丢失的情况，这时我们采用了Kalman滤波的方法，来预测特征点的位置，作为特征跟踪的补充和修正，用于后续的跟踪。

下面，我们用一段运动的视频，对特征跟踪算法做了一个实验，先在跟踪的起始帧对头部进行标注，然后在后续帧中做基于特征的跟踪。实验结果表明，只要标注位置得当，跟踪还是具有很高的准确性。下图就是我们在跟踪过程中截取的第1，7，15帧。

图2-6 头部特征点跟踪结果

Fig. 2-6 The result of tracking head point

2.3小结

主要介绍了一种基于特征的人体运动跟踪的方法，讲述了最早开始这项实验的理论依据，接着介绍了目前常用的二维的跟踪方法，并且使用了光流法来实现跟踪，在如何定位特征点的基础上，本章介绍了几种基于梯度的查找方法，最后本章使用了KL算法来实现了人体各个特种跟踪，并且最后给出了实验结果。