计算机视觉与图像理解摘要精确的特征跟踪是计算机视觉中的许多高层次的任务，如三维建模及运动分析奠定了基础。

虽然有许多特征跟踪算法，他们大多对被跟踪的数据没有错误信息。

但是，由于困难和空间局部性的问题，现有的方法会产生非常不正确的对应方式，造成剔除了基本的后处理步骤。

我们提出了一个新的通用框架，使用Unscented转换，以增加任意变换特征跟踪算法，并使用高斯随机变量来表示位置的不确定性。

我们运用和验证了金出武雄，卢卡斯- Tomasi的跟踪功能框架，并将其命名为Unscented康莱特（UKLT）。

UKLT能跟踪并拒绝不正确的应对措施。

并证明对真假序列的方法真确性，并演示UKLT能做出正确不误的判断出物体的位置。

1．简介在计算机视觉，对问题反映的准确性取决于于图像的准确测定。

特征跟踪会随时间变化对变化的图像进行处理，并更新每个功能的变化作为图像的位置判断。

重要的是所选择图像的功能，有足够的信息来跟踪，而且不遭受光圈问题的影响。

[1]在金出武雄，卢卡斯- Tomasi（康莱特）是最知名的跟踪和研究方法之一。

它采用一对匹配准则刚性平移模型，它是相当于窗口强度的平方差之和最小化的基础。

特征点的正确选择，可大大提高算法的性能。

[3]Shi与Tomasi 将初始算法考虑仿射模型，并提出了技术监测的功能对质量进行跟踪。

如果第一场比赛中的图像区域之间和当前帧残留超过阈值时，该功能将被拒绝。

在随后的工作中，对模型进行了扩展且考虑了光照和反射的变化。

不幸的是，这些算法没有考虑在跟踪的不确定性，和估计的可靠性。

如果我们能够考虑到这些问题，我们将能从混乱的数据中提取出更准确的数据。

在没有不确定性特设技术条件下，有些研究员试图从中提取有用的数据但是结果都不能令人满意。

但是理论上有声音的不确定性为特征跟踪，是可以应用于不同的功能类型的方法。

在一个闭塞，模糊，光照变化的环境中，即使是最复杂的特征跟踪算法一败涂地无法准确跟踪。

这些问题导致错误的匹配，就是离群值。

虽然有几种方法来减轻异常值的影响，但是其计算成本通常较高[7] [8]。

[9]采用随机抽样一致性[10]的方法来消除图像序列异常值。

Fusiello提出的康莱特，增加了一种自动拒绝规则功能，所谓的X84。

虽然有许多离群排斥的方法，但没有一个单一的算法，尽管该算法在所有情况下都表现良好。

在本文中我们将研究范围扩大，运用高斯随机变量（GRVs）与Unscented变换（SUT 的），计算在一个非线性变换的分布传播，运用标准康莱特算法。

采用随机变量来描述图像特征的位置和它们的不确定性既提高了精度又提高了鲁棒性的跟踪过程。

虽然我们不知道什么是真正的分布，被测系统为我们提供了理论保证，前两个时刻的估计是正确的。

另外，使用异常检测被测样品确定性使我们没有增加任何额外费用。

2．不确定度表示我们现在引入一个新的通用框架，增强了任意特征跟踪算法，以代表和跟踪高斯随机变量（GRVs）功能的位置。

然后，我们说明它可以被应用到最常用的方法，康莱特之一[1]。

GRVs是一种用于图像的特征定位概率分布函数描述的不错选择。

他们有一个简单易懂的数学公式（平均向量和协方差矩阵）和紧凑的计算实施。

他们也有一个确切的封闭使用的线性代数运算的代数线性变换的制定，并以此作为其参数表示的两个分布的第一时刻。

Haralick [13]虽然提出了在计算机视觉中使用协方差传递，但他只考虑一阶线性化。

易用性外，还出现了一些有效的文献，它质疑从本地的图像灰度信息测量协方差是否可以代表的功能位置的不确定性[6]。

由于'GRVs功能可靠的估计，我们可以改善任何参数，如调整拟合程序包，用加权最小二乘拟合，增加考虑到了不确定性的信息。

正如我们在4.4节中展示的，GRVs的协方差矩阵带领我们到一个马氏距离最小化。

Chowdhurry [14]得出了一种对图像的特征位置误差的协方差函数的运动和结构的估计的方法，但并他没考虑到工作异常值的影响。

Steele和杰恩斯[15]提出一种方法来改善功能'位置的不确定性估算，通过协方差雅可比特征定位方差值。

朱等人，[16]利用不考虑在算法中固有的错误作为用来追踪一个信任措施的灰度差异，此外，莫里斯与Kanade [17]和伊拉尼和阿南丹[18]也对不确定性的因子分解使用方法的探讨。

3.跟踪随机变量现实中主要有两种的跟踪误差：定位不准确和错误的匹配[8]。

在不精确的情况下，特征点有时与真实的位置仅相差一点点。

但错误的匹配映射到不同的位置，造成严重的错误。

预测滤波器可以帮助我们获得更准确的数据值，预测过滤器将测到的不确定值传送到系统，结合系统里面的数据进行比较得出较为准确的数据。

在现有的各种预测滤波器，卡尔曼滤波[20]规定线性范围，并不能满足各种各样的适用场合。

扩展卡尔曼滤波线性化的模型，将使使我们可以使用卡尔曼滤波方程。

在Unscented卡尔曼滤波（UKF的）[21]的基础上，进行Unscented变换，采用真正的非线性动力学模型，并计算一个随机变量，进行非线性变换的统计信息。

在我们的框架内，我们表示为GRVs的特点和使用地点Scaled Unscented变换传播通过非线性变换，在这一文件，是由康莱特特征跟踪算法代表他们。

.3.1 Scaled Unscented变换如一个n维随机变量经历一个非线性变换为y =g（x）。

在我们的例子中，在我们的例子中，我们将始终使用该功能的位置二维随机变量和转换对物体跟踪。

设和Σx是的均值和方差分别为矩阵。

Scaled Unscented变换计算的均值和方差y，用2n + 1表示Xi处称为σ点。

为了确保所产生的协方差矩阵的正确性，我们使用Scaled Unscented变换（SUT的），由[22]和[21]的定义：如λ=α2*（n +κ）- N的代表尺度参数，其中α决定的σ点周围蔓延x，κ是次要的尺度参数。

最后，是平方根矩阵的第i行。

这种确定性选择的σ点，保证他们完全捕捉真实均值和方差的随机变量X的前在我们所有的序列，我们用α= 0.9，小传播，以避免采样非局部效应和虚假离群的发生，κ= 0，因为在我们当n = 2，永远不会改变。

无论传播的是不是σ点的位置。

每个σ点都有一个相关的标准差权重的Wi：其中β是用于将分布的高阶矩的知识。

我们使用的所有序列β= 2，高斯先验值[22]。

上标m表示平均计算为的幂，C表示的协方差计算幂。

为了估计的均值和非线性变换后所产生的分布方差g（·），我们发现转换的σ点Yi=g(x)，其中在一个近似估算中，至少需要二阶[22]和[21] SUT的算法。

扩展卡尔曼滤波，计算出准确的后验均值和方差只有一阶[21]。

我们总结了算法1的SUT。

SUT的功能应用到二维需要以下条件1：对各个功能点处理2：生成5σ（2 ×dim+ 1）;3：σ点用康莱特跟踪;4：计算的估计均值和方差矩阵（3）;5：结束如图3.2。

Unscented康莱特：UKLT现有算法估算的不确定性特征跟踪只考虑噪声模型和特征点之间的协方差关系。

这强调了图像局部特征并没有考虑到的跟踪算法的误差。

在本文中，通过使用康莱特特征追踪的非线性变换算法，我们认为跟踪程序本身可以代表的非线性变换的不确定性。

设U（μi，Σi）k是我们的系统，其中每个离散时间步K表我们的均值和方差的每一个特征点的状态向量岛在时间步K，我们申请的SUT（算法1）中的每个状态向量u（μi，Σi）k的特征点。

也就是说，我们产生的σ点，根据（1），他们使用康莱特跟踪，最后计算出相应的均值和方差（3）。

在这里，我们用良好的功能来跟踪[3]作为初始特征点的标准，但这项工作可以考虑进一步扩展规模和旋转不变性特征[23]为出发点。

初始的功能是发现的协方差矩阵的逆（4）其中和是在x和y方向梯度。

对于每一个时间步K，我们做一个系统的附加观察，由V（μi，σI）K的表示，可认为是当时的形象特征（灰度变化）。

由康莱特跟踪协调，并估计为χ0相同的值，并利用协方差估计式中的值。

我们期待在被测系统的状态预测估计，并作为系统的观测图像的局部特征。

如图2所示。

我们将二者相结合使用最大似然估计（MLE），推论选择的参数，最大限度地观测部分包括测量的概率估计。

换句话说，在大中型选择具有最高后给出的预测与观察[24]概率模型。

图23.3拒绝离群特征跟踪很困难，现有的匹配方法，不能很好的进行数据交换，这样就会拒绝反映。

利用第3节中的形式化和康莱特跟踪功能质量标准适用于每一个σ点[3]，我们拒绝不在的运动模型线上异常值。

σ点跟踪结果有三个简单的离群拒绝标准：（一）拒绝，任何失去康莱特跟踪的σ点（步骤算法1 3）。

（二）拒绝，如果SUT的估计是一个非正定矩阵。

（三）拒绝，如果σ点跟踪结果有一个相互之间的位移幅度（大位移幅度标准差）不一致。

关于第一个标准，我们抛弃有20%的σ点底层没有正确跟踪了UKLT康莱特算法的点。

同样，在下降的σ点，康莱特跟踪可能会不相容岗位，这可能导致一个矩阵，不是正定。

这是对的σ点跟踪结果，可以作为拒收标准一致认为简单的检查。

最后一个标准来决定何时五个σ点没有一致的行动是看在其位移大小的标准差。

一个较大的值意味着不一致的运动，它会取代正确的特征点的位置。

4.1．特征跟踪分析正如我们所合成的序列，在测量估计和每个功能点的实际位置差。

我们用标准康莱特和UKLT，因为这两个算法（随机抽样一致性和X84）只在最后一组的对应执行的一帧帧差拒绝。

我们进行了测试，使用的每个序列的初始数目以下几点：75朝鲜蓟，85牛，为237房子，并为55图景。

图5a显示了平均距离误差在全序列的朝鲜蓟和图英利尔山区点（像素）的情行。

5b中的牛的分析图。

我们的方法更好地估算两个序列。

较小的错误部分是由于不正确地跟踪，这些由康莱特算法（第3）条备存UKLT来拒绝。

图.6显示了在每一个序列帧相应的外极线的特征点的平均距离。

我们使用UKLT和康莱特基本矩阵计算。

图.6a显示的是牛序列的结果，图.6b是朝鲜蓟的序列图。

6C是房子的序列图。

图.6d的图景序列。

根据这些实验结果，我们得出结论，我们的方法比康莱特有更准确地跟踪和强劲的功能。

图5a图5b图6a 图6b 图6c 图6d图7a 图7b 图7c 图7d 如前所述，更好地估计是由康莱特算法（第3）条来保持UKLT拒绝的。

图7说明了特征点的数量每个序列帧保存。

观察到UKLT丢弃超过康莱特特征的图片。

在实验测试中，康莱特算法保持在80％至95％的功能，而UKLT却只有52％至82％。

这一分析表明，该算法执行得更好，不仅是因为离群排斥反应，而且由于该功能的职位的估计改进。

所有的测试结果序列都在考虑之中。

我们还进行了一个200帧图像序列计算测试。