基于GPU的目標跟蹤算法研究.pdf

1、隨著計算機視覺的快速發(fā)展，基于視頻的目標跟蹤成為了計算機視覺里的一個重要研究方向，近年來取得了重大進展。新的目標跟蹤算法不斷被提出，跟蹤準確率也隨之得到提高。然而大量的實驗證明準確率高的算法其計算復雜度很高，因此處理速度低成為了目前目標跟蹤算法的一大瓶頸。NVIDIA公司提供的GPU以強大計算的能力被成功應用于各領域，GPU為具有高并行度的復雜算法帶來了曙光，尤其是涉及密集型計算的目標跟蹤算法。
　　基于以上背景，本文先后對 DF

2、跟蹤算法、Struck跟蹤算法和 KCF跟蹤算法的GPU實現(xiàn)進行深入研究。針對每一種跟蹤算法，首先對模型訓練和目標判別兩個核心部分進行了詳細的分析，并找出可并行的計算部分；然后利用GPU對這些部分進行加速實現(xiàn)；最后設計實驗對CPU版本和GPU版本的實現(xiàn)進行比較，實驗數(shù)據(jù)表明兩個版本的實現(xiàn)具有一樣的跟蹤準確度，GPU版本的實現(xiàn)具有更高的處理速度，滿足了實時性，甚至達到了高速跟蹤的指標。
　　DF跟蹤算法是一種基于特征匹配的跟蹤算法，

3、即將平滑后的分布場作為目標特征，該特征具有一定程度的光照不變性，使得該跟蹤算法具有一定的魯棒性。在模型訓練部分，利用GPU對二維卷積和一維卷積進行加速，其中二維卷積采用可分離卷積計算方法進行計算。在目標判別部分，利用GPU對計算候選樣本的判別值進行加速。測試表明，GPU可將DF算法的處理速度提高到以前的4.8倍，達到了45.8幀/秒。
　　Struck跟蹤算法是一種基于背景學習的跟蹤算法，該算法采用結構化的支持向量機模型學習目標和

4、背景之間的差別，而得到一個判別函數(shù)，將具有最大判別值的樣本作為目標。在模型訓練部分，利用GPU對迭代中的每個計算模塊進行加速。在目標判別部分，利用GPU對計算所有測試樣本的判別值進行加速。測試表明，GPU可將Struck算法的處理速度提高到以前的4.3倍，達到了30.7幀/秒。
　　KCF跟蹤算法也是一種基于背景學習的跟蹤算法，該算法利用循環(huán)矩陣來構造訓練樣本，避免了數(shù)據(jù)的重復利用，憑借快速傅立葉算法的優(yōu)勢，具備很快的處理速度。本