可視目標跟蹤算法研究及其GPU實現(xiàn).pdf

1、計算機視覺一直以來致力于視覺目標的檢測、識別、跟蹤等問題的解決。目標跟蹤是計算機視覺的核心應用點之一，跟蹤-學習-檢測(TLD)就是目標跟蹤的典型算法之一，TLD算法是一個捷克籍博士生Zdenek Kalal在攻讀博士學位期間提出的一種針對新的單目標的長時間跟蹤算法。跟蹤-學習-檢測算法與傳統(tǒng)的跟蹤算法有著顯著的區(qū)別，該算法將傳統(tǒng)的跟蹤算法和傳統(tǒng)的檢測算法相結合來，協(xié)同的解決被跟蹤目標在被跟蹤過程中發(fā)生的形變、部分遮擋等問題。但是該算法

2、過程復雜，計算量龐大，對于普通分辨率的視頻，其處理速度僅能達到每秒8-10幀，無法充分達到實時處理的要求，因此采用一種并行的算法對其進行加速十分必要?；诖?，本文從以下幾點展開了工作：
　　通過對跟蹤-學習-檢測算法流程的深入研究，本文提出一種將跟蹤-學習-檢測算法中的學習模塊滯后的算法，該算法可以使得跟蹤-學習-檢測算法的三大核心模塊之間能夠通過多線程的方式并行處理。有效的提高了CPU利用效率，降低時耗，算法通過三大模塊的多線程

3、并行實現(xiàn)了1.3左右的加速比。
　　然后，本文利用GPU硬件，通過CUDA編程對跟蹤-學習-檢測算法做了并行化處理，跟蹤-學習-檢測算法包含三個主要的核心模塊，即跟蹤、檢測、學習三大模塊，通過對三大模塊的時耗進行定量計算，發(fā)現(xiàn)檢測模塊占整個算法大部分時間，因此對檢測模塊做了CUDA-GPU并行化處理，使得檢測模塊的加速比達到4倍，整體算法加速比達到3倍。
　　最后，基于傳統(tǒng)跟蹤-學習-檢測算法，本文提出了一種多層的并行的 T