1、密集采样:
    多尺度(8个)
    间隔采样（5）
    无纹理区域点的剔除
  2、光流法跟踪关键点:
    I(x, y, t) = I(x+dx, y+dy, t+dt) 
    泰勒展开：
    [Ix, Iy] * [u; v] = -It 
    局部区域 运动相同：
     A * U = b 
     U = (A转置*A)逆 * A转置 * b  伪逆求解
    光流中值滤波：
     Pt+1=(xt+1,yt+1)=(xt,yt)+(M∗Ut)|xt,yt
  3、特征计算：
    轨迹描述子(trajectories)：
    ΔPt=(Pt+1−Pt)=(xt+1 − xt, yt+1 − yt)
    长度为L的轨迹：
    (ΔPt,...,ΔPt+L−1)
    正则化：
    T=(ΔPt,...,ΔPt+L−1)/∑||ΔPj||
  3.1、区域选取：HOG HOF MBH
    1、选取相邻L帧(15);
    2、对每条轨迹在每个帧上取N*N 的像素区域(32*32)
    3、对上述区域划分成nc*nc个格子（2*2）
    4、在时间空间上划分成nt段(3段)
    5、这样就有 nc*nc*nt个空间划   分区域。
  3.2、特征计算：
    梯度直方图HOG:
      gm = sqrt(gx^2 + gy^2)   赋值
      gc  = atan(gy/gx)             方向
      0~360分成8个区间进行 
      幅值加权统计
      维度 2*2*3*8=96
    光流直方图HOF：
      bin数目取为8+1，前8个bin与HOG都相同。
      额外的一个用于统计光流幅度小于某个阈值的像素，
      维度 2*2*3*9=108
    光溜梯度直方图 MBHx 、 MBHy
      在两个光流图上计算梯度
      维度2*96=192
      
  4、剔除相机移动造成的光流的影响
  步骤：
        1、SURF特征点匹配，使用SURF算法提取特征并匹配，配合人体目标检测剔除人体区域的匹配点对；
        2、利用光流算法计算匹配点对，剔除人体区域的匹配点对；
        3、合并SURF匹配点对 和 光流匹配点对，利用RANSAC 随机采样序列一致性算法估计前后两帧的 单应投影变换矩阵H;
        4、利用矩阵H的逆矩阵，计算得到当前帧除去相机运动的状态I’= H.inv * I ；
        5、计算去除相机运动后的帧I’ 的 光流。

  p2 = H12 * p1 

  展开成矩阵形式： 
  u2   h1 h2 h3   u1 
  v2 = h4 h5 h6 * v1 
    h7 h8 h9   1 

  按矩阵乘法展开： 
  u2 = (h1*u1 + h2*v1 + h3) /( h7*u1 + h8*v1 + h9) 
  v2 = (h4*u1 + h5*v1 + h6) /( h7*u1 + h8*v1 + h9)

  将分母移到另一边，两边再做减法：
   -((h4*u1 + h5*v1 + h6) – 
     ( h7*u1*v2 + h8*v1*v2 + h9*v2))=0 

    h1*u1 + h2*v1 + h3 –
   ( h7*u1*u2 + h8*v1*u2 + h9*u2)=0 

  有两个约束，采用4对点写成矩阵形式：
  A*h = 0
  对矩阵A使用SVD奇异值分解可以得到 h

  单应矩阵恢复 旋转矩阵 R 和平移向量t ：
  p2 = H21 * p1 = H21 * KP 
  p2 = K( RP + t) = KTP = H21 * KP 
  T = K 逆 * H21*K 
  去除相机运动的图像状态
  I' = H.inv * I
  再对I'提取光流得到 扭曲的光流场（warped optical flow fields）
  

  作者给出的代码只包括了密集采样+轨迹跟踪+特征提取三个部分，后续的特征编码部分未给出
  

  论文中给出的代码是在Linux系统上编译的，
  有几个与Linux系统相关的函数，
  自己在windows vs2013上编译的时候将这些函数用其他的函数代替了。

  在做自己的数据库时，不可能一个视频一个视频的去输入，
  这时可以写一个vim脚本，来批量运行，可以参考如下代码：
  后面的fv会直接提取命令行的输出来进行编码，这里如果不想保存也可以
  直接保存编码后的特征也可以。

      #!/usr/bin/env bash

      cmd="release/DenseTrackStab"
      filePath="" #数据存放路径
      fileType=".txt"
      function readfile(){
      for file in `ls $1`
      do
        if [ -d $1"/"$file ]
        then
            readfile $1"/"$file
        else
            echo $file
            $cmd $1"/"$file
        fi
      done
      }
      readfile $filePath

  特征是一个接一个计算的每一个都是单独一列，由下面的格式给出：

  frameNum mean_x mean_y var_x var_y length scale x_pos y_pos t_pos Trajectory HOG HOF MBHx MBHy

  前十个部分是关于轨迹的：

  frameNum:     The trajectory ends on which frame

  mean_x:       The mean value of the x coordinates of the trajectory

  mean_y:       The mean value of the y coordinates of the trajectory

  var_x:        The variance of the x coordinates of the trajectory

  var_y:        The variance of the y coordinates of the trajectory

  length:       The length of the trajectory

  scale:        The trajectory is computed on which scale

  x_pos:        The normalized x position w.r.t. the video (0~0.999), for spatio-temporal pyramid

  y_pos:        The normalized y position w.r.t. the video (0~0.999), for spatio-temporal pyramid

  t_pos:        The normalized t position w.r.t. the video (0~0.999), for spatio-temporal pyramid

  下面的5个部分是一个接一个连起来的：

  Trajectory:    2x[trajectory length] (default 30 dimension)

  HOG:           8x[spatial cells]x[spatial cells]x[temporal cells] (default 96 dimension)

  HOF:           9x[spatial cells]x[spatial cells]x[temporal cells] (default 108 dimension)

  MBHx:          8x[spatial cells]x[spatial cells]x[temporal cells] (default 96 dimension)

  MBHy:          8x[spatial cells]x[spatial cells]x[temporal cells] (default 96 dimension)

  对五种特征分别进行训练得到 pca压缩矩阵系数参数 和 GMM高斯混合模型参数
  对新提取的特征 先使用pca压缩后 在进行 gmm编码
  

  对fv编码后的特征进行分类