我是一名硕士生，正在准备一个计算机视觉研讨会。其中的主题是 Kanade-Lucas-Tomasi (KLT) 跟踪器，如在

J. Shi, C. Tomasi，“可追踪的好特征”。诉讼 CVPR '94。

这是我用来了解 KLT 跟踪器的网络资源。我需要一些数学方面的帮助，因为我对线性代数有点生疏，并且没有计算机视觉方面的经验。

在的这个公式中（摘要中的第 5 步），请注意逆 Hessian：$\Delta p$

$$\Delta p = H^{-1}\Sigma_x\left[\nabla I \frac{\partial W}{\partial p}\right]^\mathsf{T} \left[T(x) − I(W(x; p))\right]$$

在本文中，要跟踪的良好特征被定义为逆 Hessian 矩阵的总和具有大的、相似的特征值：。从数学上讲，我无法理解这是如何以及从哪里得出的。$\min(\lambda_1,\lambda_2)>threshold$

直觉是这代表一个角落；明白了。这与特征值有什么关系？我希望如果 Hessian 的值很低，则没有变化，也不是角落。如果它们很高，那就是一个角落。有谁知道角落的直觉如何在逆 Hessian 的特征值中发挥作用，以确定KLT 跟踪器迭代中的$\Delta p$

我已经能够找到声称 Hessian 逆矩阵与图像协方差矩阵相关的资源。此外，图像协方差表示强度变化，然后它是有道理的......但我一直无法找到关于图像的图像协方差矩阵到底是什么，而不是矢量或图像集合。

此外，特征值在主成分分析中具有意义，这就是为什么我想到图像协方差矩阵的原因，但我不确定如何将其应用于 Hessian，因为它通常应用于图像。据我所知，Hessian 是一个矩阵，定义了、和在某个位置的二阶导数。$2\times 2$$x$$y$$xy$$(x,y)$

我非常感谢您的帮助，因为我已经使用了 3 天以上，这只是一个小公式，时间不多了。