最近一直在除錯l-k跟蹤演算法，其實opencv中都有相應的示例**，直接搬過來用就可以了，但是我一開始還是不太懂是什麼意思，後來從乙個人的部落格上看到了他的注釋才算模模糊糊弄明白（
然而在用的時候遇到乙個奇怪的問題。我們根據專案的需要，最後要將程式封裝成乙個靜態鏈結庫，所以只能留給使用者乙個介面。當我把整個程式封裝好後，發現當我第一次執行的時候，跟蹤程式執行良好，但是一旦跟蹤點為零，我重新執行程式（執行程式沒有關閉，只是相當於又迴圈了一次）時，竟然沒有跟蹤點或者很少的跟蹤點。我一直找不到原因。直到昨天我在看書的時候注意到l-k演算法最後乙個引數flags,我覺得《學習opencv》中的講解太過於籠統，在我參考的部落格中他是這麼解釋的：
cv_lkflow_pyr_a_ready , 在呼叫之前，第一幀的金字塔已經準備好
cv_lkflow_pyr_b_ready , 在呼叫之前，第二幀的金字塔已經準備好
cv_lkflow_initial_guesses , 在呼叫之前，陣列 b 包含特徵的初始座標
我覺得還是有一定的道理的。可能就是我的這種模糊才造成我後面的困擾。這個引數在一般的示例中都是一開始給乙個初始值為0，當第一幀結束後給值為cv_lkflow_pyr_a_ready，我犯的錯就在於：當我再次執行程式的時候，因為沒有重新給flags賦值為0，所以flags的值為cv_lkflow_pyr_a_ready,這就意味著，在引數prya中其實是有金字塔值的，而再次執行的時候，我獲取到的其實已經不是那個時候的了，應該重新計算金字塔，所以我才一直出錯。我不知道我的表述有沒有人懂，可能表述的有點混亂，最主要的是要提醒大家不要忽視flags這個引數，當其為0的時候，可以重新計算金字塔。而為1或2的時候你的金字塔其實已經有一部分存在了。具體引數的解釋可以見我給的鏈結，該博文講述的已經很詳細了。
多目標跟蹤中SORT演算法的理解
多目標跟蹤中sort演算法的理解 在跟蹤之前，對所有目標已經完成檢測，實現了特徵建模過程。1.第一幀進來時，以檢測到的目標初始化並建立新的 標註id。2.後面幀進來時，先到卡爾曼濾波器中得到由前面幀box產生的狀態 和協方差 求 所有目標狀態 與本幀檢測的box的iou，通過匈牙利指派演算法得到io...
關於KMP演算法的理解
上次因為haipz組織的比賽中有道題必須用到kmp演算法，因此賽後便了解了下它，在仔細拜讀了孤 影神牛的文章之後有種茅塞頓開的感覺，再次orz。附上鏈結 對於整個kmp演算法，最精髓的部分便是關於next陣列的生成。一開始ruijia liu的書上貼上的 感覺完全不能理解，但是看神犇的分析覺得似乎明...
關於CPD演算法的理解
最近看了 point set registration coherent point drift 來記錄一下對這個演算法的理解。cpd演算法使用的數學模型為高斯混合模型 gmm 關於高斯混合模型的理解可以參考下面這篇部落格 首先定義了一系列變數 其中點集x和點集y是兩個需要配準的點雲，t為變換矩陣。...