Evaluation of Kucas-Kanade alogrithm for Similarity Warps

Posted on In , Views: Disqus:

Introduction

本实验基于开源程序image-align1，目的是为了比较传统的Translational Warping Model和Similarity Warping Model在KLT中的差别。相对于Translational Warping Model只有2维的平移自由度，Similarity Warping Model增加了1维的尺度自动度和1维的旋转自由度。由于自由度的增加，在理论上能够跟踪形变更大的模版图像。

Experimental Design

在本实验中，我们主要在The EuRoC MAV Dataset [1]数据集上测试Similarity Warping Model和Translational Warping Model 在KLT上的差别。

测试程序流程如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
bool is_KeyFrame = false;
for each image img in Dataset{
    if(!is_KeyFrame) {
        对img获取Keypoints;
    } else {
        for each KeyPoint kp in Keypoints {
            分别使用基于Similarity Warping Model和Translational Warping Model的KLT法在img上进行跟踪，获得kp_now;
            if (匹配误差值 < 500) {
                KeyPoints_success.push_back(kp_now);
            }
        }
        if(其中一种Model的成功跟踪点数目 < 10) {
            is_KeyFrame = false;
        }
        KeyPoints_success = Keypoints;
    }
}
关键帧

会使用Shi-Tomasi角点检测算子算法获取关键点。图中红色框中央为关键点位置，红框范围图像会作为Template输入到KLT中。

KLT跟踪

绿色方块：Translation Warping Tracking Window 蓝色方块：Similarity Warping Tracking Window

KLT跟踪判定

匹配误差值 小于500时认为跟踪成功。实心矩形表示跟踪成功的点，并且会将此时的位置作为下一帧KLT跟踪的起始位置。

Results

Experiment Videos

MH_05_difficult:

V1_01_easy:

similarity warps

从上表可以看出，第二帧平均跟踪成功率要比第一帧平均跟踪成功率比要高很多，主要因为经过第一帧的跟踪后，留下的都是些比较好跟踪点，所以，第一帧平均跟踪成功率更能体现Similarity Warping Model和Translational Warping Model的区别。在测试的8个测试集中，Translational Warping Model均有着更好的表现。

Conclusion

相比Translational Warping Model的2个自由度，Similarity Warping Model增加了2个自由度（尺度，旋转）达到了4个自由度。在本实验中，Warping Model的初始值是由上一帧的结果决定的，并没有提供额外的约束。所以，随着自由度的增加，Similarity Warping Model往往不能收敛于正确值。虽然就数学来说，Similarity Warping Model（甚至是Affine Warping Model）能提供更好的KLT匹配描述，但为了增加成功率，减少计算量，一方面需要通过其他方法提供一些用于迭代求解时的约束23，另一方面，可以通过提供合适的搜索窗口来限制搜索范围4。