稀疏表示+全局模版+L-K算法+判决型分类器Lucas-Kanade配准算法[34][35]是最为经典的基于梯度的图像配准方法。该算法采用梯度下降的方法来获得极值,通过最小化模板和测试图像之间的差来估计各配准参数。Lucas-Kanade算法己经被广泛应用于计算机视觉的各个领域,例如图像拼接、目标跟踪[[36][37]、运动估计以及医学图像分析[38]等等。Lucas-Kanade算法还应用于计算两帧图像的光流场,其思想是获得观察点在两张图像之间位移量。本文提出的算法将以Lucas-Kanade图像配准算法为跟踪框架,因此本章将重点介绍Lucas-Kanade图像配准算法的基本理论,并通过实验仿真分析该算法的性能。原理Lucas-Kanade算法属于一种模板匹配方法,其目的是根据模板T(x)去矫正输入的观测图像Y(x),其中x=(x,力r为像素坐标。如果Lucas-Kanade算法用于计算相邻两帧图像的光流场或者跟踪子块的运动,则T(x)来之与前一帧图像的一个5X5的子块,而Y(x)则以同样的大小来自于下一帧图像。Lucas-Kanade算法的目的是使模板T和观察图像Y之间的误差平方和(sumofsquarederror)达到最小,2iiiYWx+-Tx;其中iYWx+;表示将Y(x)矫正到模板T(x)的坐标框架下。这是一个非线性最优化问题,因为像素Y(x)对于像素坐标x一般是非线性的,Y(x)在本质上与x是无关的。优点,传统的Lucas-Kanade算法应用中,能够有效应对目标的运动、尺度变化以及轻微的视角变化。算法效率相对较高,实时性好。缺点,1传统的Lucas-Kanade算法应用中对于遮挡问题的反应敏感。容易失效。2随着特征维数的增加,迭代效率会明显下降,可以想办法解决这个问题来提高算法效率和实时性。解决关键点:1模版的建立将整体模版分割成局部信息,最终通过稀疏表示选择强特征建立新的目标模版,用这个模版进行迭代匹配。判决模型+生成模型=联合模型(外观模型)2通过实验发现,当目标的实际位置离初始位置不远时,LK能够同时准确预测目标的平移、旋转以及尺度变化。但是一定目标在两帧之间发生了比较大运动时,就难以保证预测结果的精度。通过增加迭代次数的上限有助于克服快速运动造成的精度下降,但这种方式大大增加运算开销。从大量实验观察发现,当目标远离初始位置时,平移量的预测精度比旋转和尺度的预测精度要高,而迭代次数并没出现明显上升。因此本文算法将的迭代分成两个部分,第一阶段只预测目标的平移量,第二阶段再同时预测目标的所有状态变量。通过这种分段迭代方式,能提高算法在应对运动挑战的同时,并不需要明显提高迭代上限,因此保证了算法的实时性。