我已经使用KLT从一系列图像中提取光流。 摄像机在移动的车辆上捕捉交通场景。 现在，我可以获得匹配的结果，没有不匹配的点。
我只是使用OpenCV函数（C ++）来提取特征和跟踪。我编程没问题。
cvGoodFeaturesToTrack（）， cvFindCornerSubPix（），cvCalcOpticalFlowPyrLK（）
有人可以建议我应该研究哪些主题/论文来区分我所拥有的匹配点是否是移动物体的一部分？我不想恢复相机运动。仅检查该点是否来自移动物体。
我没有像测距仪或其他传感器这样的外部资源，但我知道汽车的速度（安装了摄像头）以及摄像头在车辆上下倾斜时固定在车辆上的角度。 （虽然我不知道偏航率）
检查光流的方向和距离是不够的。例如，在相对位置移动的车辆的光流通常类似于静止特征，或者车辆以与摄像机相同的速度移动。
我应该研究哪个主题来处理这个问题？如果我必须在FOE或卡尔曼滤波器之间做出选择？我想知道RANSAC是否会有所帮助。 （我已经阅读了几篇学术论文，但似乎运气不好。我浏览过卡尔曼滤波器，但不知道这有什么用。我发现FOE上的资源非常有限，特别是在教科书中）
我感谢每一个答案。非常感谢（真诚地）
答案 0 :(得分：0)
不确定这是否适合回答我自己的问题。但是，既然没有人回答这个问题，我已经做了一些研究工作，但不是一个成功的故事，我想我最好分享一些。对于那些有同样问题的人来说，这可能会有所帮助。
我有一系列捕捉城市交通场景的图像。每隔0.5秒使用智能手机在移动的汽车上拍摄图像。
出于测试目的，我只使用几对图像进行测试而不是整个序列。我使用KLT获得了许多匹配点并执行了两步异常值移除。匹配的结果很好，没有或很少有不匹配的数据。
为了拒绝移动物体上的点，我遵循了下面文件中提到的工作：
总而言之，在他们的部分工作中，他们通过计算成对图像之间的变换模型来拒绝异常值（移动对象）。这项工作使用了双线性模型。程序是他们计算转换模型参数T并拒绝匹配的if | x2 - T（x1）| ＆LT;阈。这里，x2和x1表示在时间t2和t1处图像上的一对对应点。
我尝试过T作为仿射模型，双线性模型和伪透视模型。我的实验结果表明，如果一些移动物体不小，这个过程总是会失败，因为它们依赖于匹配的点。在我的例子中，图像是在具有大量移动物体的城市交通场景上捕获的。因此，我不能通过这种技术丢弃异常值。所以，我相信RANSAC也无济于事。这就是为什么许多论文都假设少量的移动物体。在这三个模型中，我发现仿射表演显示最差的结果，但不能说哪一个在其他两个中更好。
我希望这可能有所帮助。