cmt算法_odfs算法_cmt sctp

近期在学习目标跟踪算法的过程中发现，CMT算法的代码实测效果非常不错。对比之前学习过的SCM之类基于稀疏表示的跟踪算法，CMT的鲁棒性虽然不一定比之更高，但稀疏表示的方法普遍耗时很严重，导致其无法应用于实际工程项目，而CMT却能兼顾实时性和鲁棒性。

查阅资料发现，CMT对应的论文曾经拿下了2014年wacv会议的最佳论文奖。作者后来进一步完善了该算法，并在CVPR2015上发表了相关的论文，由此看来，CMT算法确实值得研究研究。值得称赞的是，作者已经将完整的算法源码公布在了论文主页上，其中包含了C++和Python的全部代码。由于不懂Python，这几天仔细读了一下C++源码，不得不说，作者的代码风格非常规范，注释也写得非常详细，读起来酣畅淋漓。另外，在此网站的主页上还有作者本人的简介，其实他就是openTLD代码的作者，由此可见其编程功底之深厚。

顺便提一下，之前从网站上下载的C++源码，可能编译会通不过，出现M_PI未声明和int S[2*N-1]中N不是常量之类的错误，现在作者已经修改了GitHub上源码中的这些小错误，大家下载最新版的源码就行。另外，作者在代码工程中加入了非常友好的命令行参数解析代码，至于如何使用webcam或者video或者sequence进行测试，源码文件夹里有详细的说明，在此不再赘述。

结合论文，理解CMT的源码还是不太困难的，作者在代码中做了一些工程上的处理，主要体现在关键点的两次匹配和融合，看起来简单但却很有效。下面我用Visio画出了整个算法的流程图，以便更加清晰地理解CMT算法的核心思想和具体实现方法。

void CMT::processFrame(Mat im_gray)函数的处理流程

整个CMT算法的全部函数都在CMT类中实现，其包括4大组件，分别封装成4个类：Tracker、Matcher、Consensus、Fusion。另外，CMT类中还包括FAST detector和BRISK descriptor。

tracker.track(im_prev, im_gray, points_active, points_tracked, status);

已知第t-1帧中的有效关键点points_active，通过计算前向光流（第t-1帧到第t帧）和后向光流（第t帧到第t-1帧），再比较两次得到的对应关键点之间的距离，距离大于阈值的关键点对排除掉，剩下的关键点即作为跟踪到的关键点。

matcher.initialize(points_normalized, descs_fg, classes_fg, descs_bg, center);

将第一帧中所有前景和背景关键点的特征描述构造成一个特征描述库database。注意，这里把背景关键点的特征描述desc_bg存储在前，后面在构造database_potential时，存储前景关键点索引indices_potential时需要再加上背景关键点的总个数num_bg_points。

matcher.matchGlobal(keypoints, descriptors, points_matched_global, classes_matched_global);

将当前帧中检测器得到的所有关键点的特征描述与database进行knnMatch匹配（k=2），每个特征描述子在database寻找最佳的2个匹配结果，将符合以下条件之一的匹配关键点排除：

匹配到了背景关键点；

最佳匹配的匹配距离大于阈值0.25；

最佳匹配与次佳匹配的匹配距离之比大于阈值0.8（比率越小，最佳匹配越优于次佳匹配）

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-53282-1.html