一 逻辑实现
函数作用
这是一个路由函数，router function，根据配置的 correspondence_method, 选择使用哪种方法来收集对应点，correspondences, 对应点是全局运动估计的基础数据。
在全局运动估计流程中的位置。
全局运动估计的完整流程
1 收集阶段，-本函数，根据配置选择方法收集对应点
方法A，角点检测方法，correspondence from corners
方法B， MV方法，correspondence from mvs
输出：对应点数组，当前帧位置，参考帧位置。
2 合并阶段，RANSAC算法，将收集到的对应点聚合成全局运动模型
在compute+global motion中调用determine gm parames()->svt_aom_ransac()
RANSAC算法从大量对应点中找出最能代表全局运动的模型参数
输出：全局运动模型参数，放射变换矩阵等
3 应用阶段，在模式决策中使用全局运动模型为每个块计算MV
两种方法的对比：
角点方法
原理：基于图像特征，角点进行匹配，不依赖运动估计结果
优点：更鲁棒，精度高，不依赖ME质量，适合复杂运动
缺点：计算复杂度中等
适用场景：复杂运动，ME质量差时，需要高精度时
MV方法，(MV_64x64, MV_32x32, MV_16x16/MV_8x8)
原理：从运动估计结果中提取MV，转换为对应点
优点：计算速度快，利用已有的ME结果
缺点：依赖ME质量，精度受ME影响
适用场景：ME质量好时，需要快速计算时。
函数参数说明：
pcs 图像父控制集，包含`
` gm_ctrls.correspondence_method 对应点收集方法配置`
`pa_me_data: 运动估计数据MV方法需要`
`其他全局运动相关配置`
`frm_buffer 当前帧图像缓冲区，亮度分量`
`frm_width 当前帧宽度，像素`
`frm_height 当前帧高度`
`frm_stride 当前帧行跨度，字节数，用于访问图像数据`
`frm_corners 输入，当前帧已经检测的角点数组，仅角点方法使用`
`格式[x0, y0, x1, y1, x2, y2, ...]`
`在调用本函数前已经通过svt_av1_fast_corner_detect() 检测完成`
`MV方法不使用此参数`
`num_frm_corners 输入，当前帧角点数量，仅角点方法使用`
`ref 参考帧图像缓冲区，亮度分量`
`ref_stride 参考帧行跨度`
`correspondences 输出：收集到的对应点数组，每个对应点表示，当前帧位置(x,y) 参考帧位置(rx, ry)`
`这些对应点将被传递给RANSAC算法进行聚合`
`num_correspondences 输出 实际手机到的对应点数量`
`list_idx 参考帧列表索引，MV方法使用`
`0 list0 前向参考帧`
`1 list1 后向参考帧`
`ref_idx 参考帧索引，仅MV方法使用`
`在指定列表中的位置 (0,1,2,....)`
`void gm_compute_correspondence(PictureParentControlSet* pcs, uint8_t *frm_buffer, int frm_width, int frm_height, int frm_stride, int *frm_corners, int num_frm_corners, uint8_t *ref, `
`int ref_stride, `
`COrrespondence* correspondences, int* num_correspondences, uint8_t list_idx, uint8_t ref_idx)`
`{`
`//根据配置选择对应点收集方法`
`//检查 correspondence method配置，决定使用哪种方法收集对应点`
`if (pcs->gm_ctrls.correspondence_method == CORNERS) `
`{`
`//方法A，角点检测方法`
`//使用角点检测和匹配来收集对应点`
`//这是更常用和更鲁棒的方法，不依赖运动估计的质量`
`corresppondence_from_corners(`
`&pcs->gm_ctrls, //全局运动控制参数，包含角点数量配置等`
`frm_buffer, //当前帧图像缓冲区`
` frm_height, // 当前帧高度`
` frm_stride, // 当前帧行跨度`
` frm_corners, // 当前帧已检测的角点数组（输入）`
` num_frm_corners, // 当前帧角点数量（输入）`
` ref, // 参考帧图像缓冲区`
` ref_stride, // 参考帧行跨度`
` correspondences, // 输出：匹配得到的对应点数组`
` num_correspondences); // 输出：匹配成功的对应点数量`
`//角点方法的工作流程`
`//1 在参考帧中检测角点，correspondence from corners 内部完成`
`//2 匹配当前帧和参考帧的角点，通过NCC归一化互相关`
`//精炼匹配结果，提高亚像素精度`
`//4 输出高质量的对应点数组`
`} else {`
`//方法B MV方法`
`//从运动估计结果中提取MV，转换为对应点`
`//这种方法利用已有ME结果，计算速度快`
`//断言检查，确保correspondence method 最有效的MV方法`
`//MV方法包括，MV_64x64(0), MV_32x32(1), MV_16x16(2), MV_8x8(3)`
` orrespondence_from_mvs(`
` pcs, // 图像父控制集（包含ME结果数据）`
` correspondences, // 输出：从MV转换得到的对应点数组`
` num_correspondences, // 输出：收集到的对应点数量`
` list_idx, // 参考帧列表索引（0=List0, 1=List1）`
` ref_idx); // 参考帧索引（在列表中的位置）`
`}`
`//MV方法的工作流程`
`//1 遍历所有SB super block 64x64块`
`//2 从每个SB内部的子块，根据correspondence method选择块大小，提取MV`
`//3 将MV转换为对应点，当前帧位置 x,y 参考帧位置， rx = x + mv.x , ry = y + mv.y`
`//4输出对应点数组`
`}`
`/*`
`通过角点检测和匹配来收集对应点，这是角点聚合MV模式的核心函数`
`角点检测方法 vs MV方法`
`角点方法，基于图像特征，角点进行匹配，不依赖运动结果`
`MV方法，基于运动估计的MV结果，依赖ME的质量`
`角点方法通常更准确，因为角点事图像中的稳定特征点。`
`完整流程，三步`
`第一步：角点检测，在调用本函数前已完成`
`当前帧的角点已经通过svt_av1_fast_corner_detect() 检测完成`
`角点存储在frm_corners 中，数量为num_frm_corners`
`角点检测使用FAST算法，找到图像中的特征点，边缘，角落等`
`第二步：参考帧角点检测，本函数内部`
`在参考帧中检测角点，找到对应的特征点`
`使用相同的FAST角点检测算法`
`第三部：角点匹配，本函数内部`
`将当前帧的角点与参考帧的角点进行匹配`
`通过计算归一化互相关NCC找到最佳匹配`
` - 只有匹配质量超过阈值的角点对才会被保留`
` * - 匹配结果会被进一步精炼以提高精度`
`匹配过程详解 在svt_av1_determine_correspondence中`
` * 1. 对当前帧的每个角点：`
` * - 在参考帧的所有角点中搜索最佳匹配`
` * - 计算两个角点周围区域的归一化互相关（NCC）`
` * - 只考虑距离合理的候选（避免匹配到太远的点）`
` * - 选择NCC值最高的匹配`
` * 2. 匹配质量检查：`
` * - 只有当 NCC > THRESHOLD_NCC * variance 时才保留匹配`
` * - 这确保了匹配的可靠性`
` * 3. 匹配精炼（improve_correspondence）：`
` * - 在匹配点周围的小窗口（SEARCH_SZ x SEARCH_SZ）内进行精细搜索`
` * - 双向精炼：先精炼参考帧位置，再精炼当前帧位置`
` * - 找到亚像素精度的最佳匹配位置`
` * 输出：`
` * - 对应点数组：每个对应点表示当前帧角点(x,y)和参考帧角点(rx,ry)的匹配`
` * - 这些对应点将被传递给RANSAC算法，聚合成全局运动模型`
` * `
` * 为什么角点方法更常用？`
` * - 角点是图像中的稳定特征，对光照变化、噪声等更鲁棒`
` * - 不依赖运动估计的质量，即使ME失败也能工作`
` * - 匹配精度高，能提供高质量的对应点`
` * - 适合处理复杂运动（旋转、缩放等）`
` * @param gm_ctrls 全局运动控制参数`
` * @param frm_buffer 当前帧图像缓冲区`
` * @param frm_width 当前帧宽度`
` * @param frm_height 当前帧高度`
` * @param frm_stride 当前帧行跨度`
` * @param frm_corners 输入：当前帧已检测的角点数组（格式：[x0,y0, x1,y1, ...]）`
` * @param num_frm_corners 输入：当前帧角点数量`
` * @param ref 参考帧图像缓冲区`
` * @param ref_stride 参考帧行跨度`
` * @param correspondences 输出：匹配得到的对应点数组`
` * @param num_correspondences 输出：匹配成功的对应点数量`
`*/`
`static void correspondence_from_corners(GmControls* gm_ctrls, uint8_t* frm_buffer, int frm_width, int frm_height,`
` int frm_stride, int* frm_corners, int num_frm_corners, uint8_t* ref,`
` int ref_stride, Correspondence* correspondences, int* num_correspondences)`
`{`
`//第一步，在参考帧中检测角点，`
`/使用FAST 角点检测算法在参考帧中找到特征点`
`//角点存储格式:[x0, y0, x1, y1, x2, y2, ...]，所以数组大小是 2 * MAX_CORNERS`
`int ref_corners[2 * MAX_CORNERS]; //最大4096 个角点`
`//在参考帧中检测角点，最多检测 MAX_CORNERS个`
`//角点存储格式 [x0, y0, x1, y1, x2, y2, ...] 所以数组大小事2 * MAX_CORNERS`
`//在参考帧中检测角点，最多检测MAX_CORNERS个`
`//返回实际检测到的角点数量`
`int num_ref_corners = svt_av1_fast_corner_detect(`
`(unsigned char*)ref, frm_width, frm_height, ref_stride, ref_corners, MAX_CORNERS);`
`//第二步，根据配置调整使用的角点数量`
`//gm_ctrls->corners 控制使用多少比例的角点`
`//1 使用1/4 的角点，`
`//2 使用1/2的角点`
`//使用3/4的角点`
`//使用全部的角点，`
`//这样可以平衡计算复杂度和匹配精度`
` num_ref_corners = num_ref_corners * gm_ctrls->corners / 4;`
` num_frm_corners = num_frm_corners * gm_ctrls->corners / 4;`
`//第三步，匹配当前帧和参考帧的角点，生成对应点`
`//这是核心步骤，通过归一化互相关NCC匹配角点`
`//匹配过程 在svt_av1_determine_correspondence 中实现，`
`//1 对当前帧的每个角点，在参考帧的所有角点中找到最佳匹配`
`//2计算两个角点周围match_sz x match_sz 区域的归一化互相关`
`//3保留NCC > THREASHOLD_NCC * variance 的高质量匹配`
`//4 对匹配结果进行精炼，提高亚像素精度`
`//输出：对应点数组，每个对应点表示`
`//x,y 当前帧中的角点位置`
`//rx, ry 参考帧中匹配的角点位置`
`//这些对应点奖杯传递给RANSAC算法，聚合成全局运动模型参数`
`*num_correspondences = svt_av1_determine_correspondence(frm_buffer, (int*)frm_corners`
`,` `num_frm_corners,`
`ref, `
`(int*)ref_corners,`
`num_ref_corners,`
`frm_width,`
`frm_height,`
`frm_stride,`
`ref_stride,`
`correspondences,`
`gm_ctrls->match_sz);`
`}`
`/*`
`FAST-9` `角点检测，带非极大值抑制，全局运动估计中角点检测的核心函数`
`函数作用`
`这是FAST` `Features` `from Accelerated` `Segment` `Test` `角点检测算法的完整实现，包含三个步骤，检测，评分，非极大值抑制，函数用于在全局运动估计中检测图像特征点。`
`FAST算法原理`
`FAST算法通过检查像素周围16个点的亮度差异来快速判断是否为角点，`
`如果中心像素周围有连续9个，或者更多点的亮度明显高于或者低于中心的像素，则认为是角点9` `表示需要连续9个点满足条件。FAST-9` `变体。`
`算法流程：`
`步骤1:角点检测，svt_aom_fast9_detect`
`遍历图像中的每个像素，边界除外`
`检查像素周围16个采样点的亮度`
`如果满足FAST9条件，标记为候选角点`
`输出：所有候选角点的坐标数组`
`步骤2:角点评分svt_aom_fast9_score`
`为每个候选角点计算一个分数`
`分数表示该角点的强度或显著性`
`分数越高，角点越明显，越稳定`
`输出：每个角点对于的分数数组`
`步骤3:非极大值抑制` `svt_aom_nonmax_suppression`
`在焦点密集区域，只保留分数最高的角点`
`抑制周围分数较低的角点，避免重复检测`
`输出，经过筛选的高质量角点数组`
`在全局运动估计中的作用`
`1` `在当前帧和参考帧中匹配对应点`
`2` `通过RANSAC算法拟合生成全局运动模型`
`3实现从局部特征到全局运动的聚合`
`im 输入图像缓冲区，亮度分量，8位灰度图`
`图像数据按行存储，每一行stride字节`
`xsize 图像宽度，像素数`
`ysize 图像高度，像素数`
`stride` `图像行跨度，字节数`
`通常等于图像宽度，但是可能包含对齐填充`
`用于计算像素在缓冲区中的位置im[y * stride + x]`
`b` `角点检测阈值，brightness` `threshold`
`控制角点检测的敏感度`
`值越大，检测到的角点越少，只检测非常明显的角点`
`值越小，检测到的角点越多，包括较弱的角点`
`典型值范围` `10-30`
`ret_num_corners 输出参数，返回检测到的角点数量`
`经过非极大值抑制后的最终角点数量`
`xy*` `返回角点坐标数组的指针`
`每个元素是一个xy结构体，包含角点(x,y)坐标`
`数组大小为ret_num_corners`
`调用者需要负责释放内存，使用free`
`内存管理`
`函数内部会分配内存存储角点数组`
`调用者需要在使用完成后调用free 释放返回的指针`
`函数内部会释放中间结果，corners和scores数组`
`*/`
`xy*` `svt_aom_fast9_detect_nonmax(const byte* im, `
`int xsiez, int ysize, int stride, int b, int *ret_num_corners)`
`{`
`//变量声明`
`//corners 存储第一步检测到的所有候选角点坐标`
`//类型xy是结构体，包含x和y两个整数成员`
`xy*` `corners;`
`//num_corners` `候选角点的数量，检测过程中会被更新，`
`//scores 存储每个候选角点的分数数组`
`//分数表示角点的显著性` `强度，用于后续的非极大值抑制`
`int *scores;`
`//nonmax 存储经过非极大值抑制后的最终角点坐标`
`//这是函数的返回值，包含高质量的，非重复的角点`
`xy*` `nonmax;`
`//步骤1，角点检测`
`//调用FAST-9` `检测算法，在图像中找出所有候选角点。`
`//参数说明`
`//im 输入图像缓冲区`
`//xsize,` `ysize 图像尺寸`
`//stride` `行跨度`
`//b 检测阈值`
`//&num_corners` `输出参数，返回检测的角点数量`
`//返回值，候选角点坐标数组，需要后续释放内存`
`/检测原理`
`//遍历图像中每个像素，边界3像素除外需要16个采样蒂娜`
`//检查像素周围16个采样点的亮度`
`//如果连续9个点都明显亮于，或者暗于中心像素，标记为角点。`
`corners = svt_aom_fast9_detect(im, xsize, ysize, stride, b, &num_corners);`
`//步骤2，角点评分，`
`//为每一个候选点计算一个分数，表示角点的显著性`
`//参数说明`
`//im 输入图像，用于计算分数`
`//` `stride` `行跨度`
`//corners 候选角点数组，步骤1的输出`
`//num_corners` `角点数量`
`//b` `检查阈值` `用于评分计算`
`//返回值，分数数组，每个角点对应一个分数`
`//评分原理`
`//通过二分搜索找到使该点仍然能被检测为角点的最大阈值`
`//这个阈值就是该角点的分数，`
`//分数越高，说明角点越明显，越稳定`
`scores` `= svt_aom_fast9_score(im, stride, corners, num_corners, b);`
`//步骤3，非极大值抑制`
`//在角点密集区域，只保留分数最高的角点，抑制周围的低分角点`
`//参数说明`
`//corners` `候选角点数组`
`//scores` `角点分数数组`
`//num_corners` `角点数量`
`//ret_num_corners 输出参数，返回抑制后的角点数量`
`//返回值，经过筛选的最终角点数组，需要调用者释放内存`
`//抑制原理`
`//对于每个角点，检查其3x3邻域内的其他角点`
`//如果领域内有分数更高的角点，则抑制当前角点`
`//只保留局部最大值，非极大值抑制`
`//这也可以避免在同一个特征区域监测到多个重要的角点`
`nonmax = svt_aom_nonmax_suppresion(corners, scores, num_corners, ret_num_corners);`
`//内存清理`
`//释放中间结果的内存，只保留最终的非极大值抑制结果`
`//释放候选角点数组，步骤1的输出，已被nonmax替代`
`free(corners);`
`//释放角点分数数组，(步骤2的输出，不再需要)`
`free(scores);`
`//返回值最终结果`
`//返回经过非极大值抑制后的高质量角点数组`
`//调用者需要在使用完后调用free(nonmax)释放内存`
`return nonmax;`
`}`
`最小二乘法计算线性回归。通过找到的参考帧中的角点和编码帧中的角点，`
`计算映射关系。`
`x' = a1*x + a2*y + a3`
`y' = b1*x + b2*y + b3`
`