跟踪模块track(img1,img2,points1,points2)

输入：

         上一帧图像：img1

         当前帧图像：img2

        前一帧边界框：lastbox

输出：

      跟踪结果边界框

      其可信度及有效性 

1.       bbPoints(points1,lastbox)

输入：

边界框：lastbox

   输出：

              点集：points1

   描述：

             在边界框lastbox中均匀采集10*10个点坐标，存于points1中。

2.       tracked = tracker.trackf2f(img1,img2,points,points2)

输入：

               上一帧图像：img1

              当前帧图像：img2

              前一帧边界框中的初始点：points(1中的points1)

   输出：

             得到前一帧中被有效跟踪的点集：points

             得到对当前帧有效跟踪点的点集：points2

描述：

               首先，使用LK光流法进行前向跟踪（calcOpticalFlowPyrLK( img1,img2, points1,

   points2, status,similarity, window_size, level, term_criteria, lambda, 0);），

   再进行后向跟踪（calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,

   FB_error, window_size, level, term_criteria, lambda, 0);）；然后，计算跟踪误差

 （FB_error[i] = norm(pointsFB[i]-points1[i])）；最后，计算跟踪点与初始点周围

   10*10像素块的归一化互相关系数，滤除掉相似性低于均值的点，在滤除前后向误差

  高于均值的点，得到最终有效跟踪点。

3.       bbPredict(points,points2,lastbox,tbb)

输入：

         前一帧中被有效跟踪的点：points

        当前帧成功跟踪到的点：points2

        前一帧中初始（或有效最终结果）边界框：last_box

输出：

        跟踪结果边界框：tbb

描述：

根据这些成对对应点，计算它们位移变化的均值；根据原边界框内的点两两间距

离，与跟踪到的对应两个点间的距离，二者比值关系的均值，得到前后两帧中目

标的放缩变化。再根据前一边界框的大小及位置，预测当前跟踪框的大小及位置。

如果前后向误差均值大于10，或预测得到的边界框越界，则本次跟踪失败，得到跟踪结果无效。

详细流程说明见《关于TLD算法的跟踪模块的补充说明 》

注：如果图片无法显示，请访问我的网易博客：http://quandb2007.blog.163.com/blog/static/41878875201351241741534/