【技术实现步骤摘要】
使用GPU硬件加速的Struck目标跟踪方法
本专利技术属于计算机
,更进一步涉及计算机视频目标跟踪
中的一种使用计算机图形处理器GPU硬件加速的基于核方法的结构输出Struck目标跟踪方法。本专利技术可以实现对基于核方法的结构输出Struck目标跟踪方法加速,可用在通用计算机上实现对视频中的目标进行实时跟踪。
技术介绍
具有高速、高性能的目标跟踪方法是计算机视觉领域的核心技术。目前的目标跟踪方法分为两类:一类是基于特征匹配的跟踪方法,该方法主要是构建能够代表目标的特征,然后通过特征间的匹配度来判断目标的位置;另一类是基于目标与背景分离的跟踪方法,该方法运用机器学习的方法学习一个能够分离目标与背景的分类器,学习过程一般为在线训练过程,通过学习到的分类器来判断目标位置。相比之下,前者具有计算简单,但对具有光照、遮挡、尺度等因素变化的情况不能很好地处理。后者在一定程度上能够解决前者遇到的问题,而具有较高的鲁棒性,但其计算复杂度较高。西北农林科技大学提出的专利申请“一种基于全局搜索的实时分布场目标跟踪方法”(申请日:2014年6月26日,申请号:201410298728.7,公开号:CN104036528A)中公开了一种基于特征匹配的跟踪方法。该方法将目标的分布场作为目标模型,在计算候选区域分布场与目标模型相关系数矩阵时,借助二维傅里叶变换的良好性质,将局部范围的搜索扩大到全局范围的搜索,并且保证了很高的处理速度,具有实时处理的能力。但是,该方法仍然存在的不足是,采用了一种简单的线性更新方法来更新目标图像分布场模型,对于目标被暂时遮挡的情况,这种更新 ...
【技术保护点】
使用GPU硬件加速的Struck目标跟踪方法,包括如下步骤:(1)获取灰度图像:(1a)将待跟踪图像序列中的一帧图像加载到计算机主机内存中;(1b)将加载到计算机主机内存的图像转化为灰度图像;(1c)调用开源计算机视觉库OpenCV中的积分图计算函数cvIntegral,计算灰度图像的积分图;(1d)将灰度图像复制到灰度图像集合中;(2)判断加载的图像是否为待跟踪图像序列中的第1帧图像,若是,则执行步骤(3),否则,执行步骤(4);(3)初始化跟踪目标的位置矩形框:在灰度图像中选取一个将跟踪目标包含在内的矩形框,将所选的矩形框作为跟踪目标的位置矩形框,执行步骤(6);(4)提取灰度图像的所有测试样本的特征:(4a)对灰度图像的所有测试样本,分别采用全采样法,采集测试样本的位置矩形框;(4b)根据灰度图像的积分图和所有测试样本的位置矩形框,利用计算机图形处理器GPU,并行提取灰度图像的所有测试样本的哈尔特征;(5)确定跟踪目标的位置矩形框:利用计算机图形处理器GPU,并行计算灰度图像的所有测试样本的判别值,找出最大判别值所对应的测试样本,将该测试样本的位置矩形框作为跟踪目标的位置矩形框; ...
【技术特征摘要】
1.使用GPU硬件加速的Struck目标跟踪方法,包括如下步骤:(1)获取灰度图像:(1a)将待跟踪图像序列中的一帧图像加载到计算机主机内存中;(1b)将加载到计算机主机内存的图像转化为灰度图像;(1c)调用开源计算机视觉库OpenCV中的积分图计算函数cvIntegral,计算灰度图像的积分图;(1d)将灰度图像复制到灰度图像集合中;(2)判断加载的图像是否为待跟踪图像序列中的第1帧图像,若是,则执行步骤(3),否则,执行步骤(4);(3)初始化跟踪目标的位置矩形框:在灰度图像中选取一个将跟踪目标包含在内的矩形框,将所选的矩形框作为跟踪目标的位置矩形框,执行步骤(6);(4)提取灰度图像的所有测试样本的特征:(4a)对灰度图像的所有测试样本,分别采用全采样法,采集测试样本的位置矩形框;(4b)根据灰度图像的积分图和所有测试样本的位置矩形框,利用计算机图形处理器GPU,并行提取灰度图像的所有测试样本的哈尔特征;(5)确定跟踪目标的位置矩形框:利用计算机图形处理器GPU,并行计算灰度图像的所有测试样本的判别值,找出最大判别值所对应的测试样本,将该测试样本的位置矩形框作为跟踪目标的位置矩形框;(6)提取灰度图像的所有训练样本的特征:(6a)将灰度图像的第一个训练样本的位置矩形框设定为跟踪目标的位置矩形框;(6b)对灰度图像的其余所有训练样本,分别采用等步长采样法,采集训练样本的位置矩形框;(6c)将灰度图像的所有训练样本的位置矩形框,复制到训练样本位置矩形框集合中;(6d)根据灰度图像的积分图和所有训练样本的位置矩形框,利用计算机图形处理器GPU,并行提取灰度图像的所有训练样本的哈尔特征;(6e)将灰度图像的所有训练样本的特征,复制到训练样本特征集合中;(7)初始化训练样本的权值和梯度:将灰度图像的训练样本的权值和梯度初始化为0;将灰度图像的训练样本的权值、梯度分别加入到训练样本权值集合、训练样本梯度集合;(8)获得和更新支持样本的权值、梯度:(8a)采用最小化梯度方法,从灰度图像的训练样本中选择两个训练样本,将选择的两个训练样本作为支持样本A、B;采用最大化梯度差方法,更新支持样本A、B的权值和梯度;当支持样本的总数超过100时,采用最小化影响度方法,更新所有支持样本的权值和梯度;(8b)采用最大最小化梯度方法,从灰度图像集合中选择一个灰度图像,从选择的灰度图像的训练样本中选择两个训练样本,将选择的两个训练样本作为支持样本A、B;采用最大化梯度差方法,更新支持样本A、B的权值和梯度;若支持样本的总数超过100,则采用最小化影响度方法,更新所有支持样本的权值和梯度;(8c)采用最大最小化梯度方法,从灰度图像集合中选择一个灰度图像,从选择的灰度图像的训练样本中选择两个训练样本,将选择的两个训练样本作为支持样本A、B;采用最大化梯度差方法,更新支持样本A、B的权值和梯度;将本步骤连续操作9次;(8d)循环执行步骤(8b)、步骤(8c)9次;(9)判断是否加载完待跟踪图像序列的所有帧图像,若是,则执行步骤(10),否则,执行步骤(1);(10)结束目标跟踪。2.根据权利要求1所述的使用GPU硬件加速的Struck目标跟踪方法,其特征在于,步骤(4a)所述全采样法的具体步骤如下:第1步,以跟踪目标的位置矩形框中心为圆心、30个像素宽度为半径构造一个圆;第2步,以圆内任意一点为中心、跟踪目标的位置矩形框的宽为宽、跟踪目标的位置矩形框的高为高构造一个矩形框,将该矩形框作为一个测试样本的位置矩形框。3.根据权利要求1所述的使用GPU硬件加速的Struck目标跟踪方法,其特征在于,步骤(5)所述的灰度图像的每个测试样本的判别值,按照下式计算:其中,f表示灰度图像的每个测试样本的判别值;n表示支持样本的总数;βi表示第i个支持样本的权值;exp(·)表示以自然常数e为底的指数函数操作;xi表示第i个支持样本的特征;z表示灰度图像的每个测试样本的特征;||·||2表示求向量的模的平方操作。4.根据权利要求1所述的使用GPU硬件加速的Struck目标跟踪方法,其特征在于,步骤(6b)所述等步长采样法的具体步骤如下:第1步,以跟踪目标的位置矩形框的中心为起点,向该中心点的周围均匀地发散8条线段,每条线段的长度为60个像素宽度;第2步,在任意一条线段上选取一点,该点到跟踪目标的位置矩形框中心之间的距离为m个像素宽度,m∈{12,24,36,48,60};以所选取的点为中心、跟踪目标的位置矩形框的宽为宽、跟踪目标的位置矩形框的高为高构造一个矩形框,将该矩形框作为一个训练样本的位置矩形框。5.根据权利要求1所述的使用GPU硬件加速的Struck目标跟踪方法,其特征在于,步骤(8a)所述最小化梯度方法的具体步骤如下:第1步,按照下式,利用计算机图形处理器GPU,并行计算灰度图像的每个训练样本的梯度:其中,g表示灰度图像的每个训练样本的梯度;a表示灰度图像的每个训练样本的位置矩形框区域与灰度图像的第一个训练样本的位置矩形框区域相交区域的面积;b表示灰度图像的每个训练样本的位置矩形框区域与灰度图像的第一个训练样本的位置矩形框区域相并区域的面积;n表示支持样本的总数;βi表示第i个支持样本...
【专利技术属性】
技术研发人员:李云松,尹万春,宋长贺,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。