Algoritmo Sift em python

1.3 Etapas
1.3.1 Selecionar uma Sequˆencia de V´ıdeo Adequada
Escolher uma sequˆencia de v´ıdeo de um reposit´orio p´ublico como os v´ıdeos de amostra do OpenCV (veja abaixo). A sequˆencia
deve conter features claras e distintas para um rastreamento eficaz.
1.3.2 Processar as Imagens Frame a Frame
Extrair trˆes frames consecutivos do v´ıdeo selecionado. Converter os frames para escala de cinza para facilitar a detec¸c˜ao de
features.
1.3.3 Detectar e Corresponder Features SIFT
Utilizar o algoritmo SIFT para detectar features em cada frame. Corresponder as features detectadas entre pares de frames
sucessivos usando o correspondedor baseado em FLANN (Fast Library for Approximate Nearest Neighbors) (Muja, 2009).
Conectar as melhores correspondˆencias enquanto a “qualidade da correspondˆencia” estiver acima de um limiar predefinido.
1.3.4 Visualizar Trajet´orias das Features
Desenhar os keypoints detectados em cada frame. Visualizar as features correspondentes desenhando linhas conectando os
keypoints correspondentes entre os frames. Mostrar as trajet´orias das features nos trˆes frames.
1.3.5 Discuss˜ao
Analisar a estabilidade e a precis˜ao das features rastreadas. A estabilidade do rastreamento refere-se `a consistˆencia com que as
mesmas features s˜ao detectadas e correspondidas ao longo de m´ultiplos frames. Discutir como as propriedades dos descritores
SIFT, como posi¸c˜ao, escala e orienta¸c˜ao dominante, podem ser usadas para melhorar a estabilidade do rastreamento.