基于CUDA的TLD視覺跟蹤算法研究.pdf

1、視覺跟蹤是計算機(jī)視覺研究的熱點(diǎn)問題之一，它與模式識別、機(jī)器學(xué)習(xí)、圖像處理和自動控制等眾多領(lǐng)域息息相關(guān)。視覺跟蹤主要包括兩部分，目標(biāo)檢測和目標(biāo)跟蹤。其中，目標(biāo)檢測用來提取圖像中的前景目標(biāo)，而目標(biāo)跟蹤用來確定目標(biāo)在視頻序列每一幀中的位置。視覺跟蹤技術(shù)的應(yīng)用十分廣泛，它在視頻監(jiān)控、醫(yī)療診斷、智能交通、人機(jī)交互和自動駕駛等方面都發(fā)揮著重要作用。
　　TLD是捷克大學(xué)的ZdenekKalal提出的一種視覺跟蹤算法，適用于單目標(biāo)長時間跟蹤。它

2、結(jié)合了傳統(tǒng)檢測算法和跟蹤算法的優(yōu)點(diǎn)，擁有良好的魯棒性和較高的準(zhǔn)確率。CUDA是用于GPU并行計算開發(fā)的統(tǒng)一設(shè)備架構(gòu)體系，有高效的通用計算能力與良好編程易用性。
　　本文對視覺跟蹤技術(shù)進(jìn)行了深入研究，改進(jìn)了TLD視覺跟蹤算法，并利用CUDA對其并行加速，設(shè)計并實(shí)現(xiàn)了基于CUDA的CPU-GPU混合結(jié)構(gòu)視覺跟蹤算法——CUDA-TLD算法。具體工作主要包括以下兩個方面:
　　對TLD算法的學(xué)習(xí)模塊和檢測模塊進(jìn)行了改進(jìn)。由于TLD

3、算法學(xué)習(xí)模塊在對目標(biāo)模型更新時缺少限制模型中樣本數(shù)量的策略，因此模型樣本數(shù)量在長時間地跟蹤過程中不斷增大，影響了算法的準(zhǔn)確率和實(shí)時性。本文對目標(biāo)模型的樣本數(shù)量設(shè)定了一個閾值，當(dāng)樣本數(shù)量達(dá)到該閾值時，選擇一個代表能力最弱的樣本進(jìn)行替換，保持模型的樣本規(guī)模，從而提高了算法的準(zhǔn)確率和實(shí)時性。另外，針對TLD檢測模塊中最近鄰分類器存在檢測失敗的問題，提出了一種基于孤立點(diǎn)分析的檢測方法，將那些屬于孤立點(diǎn)的圖像片(image patch)分類為背景

4、圖像片，對TLD算法中原有的檢測模塊進(jìn)行了改進(jìn)，提高了TLD算法的檢測率。
　　基于CUDA對TLD算法并行加速，提出了CUDA-TLD算法。為了提高TLD算法的實(shí)時性，通過分析TLD算法各部分的耗時，利用CUDA對耗時較多的檢測模塊進(jìn)行并行化，從而提出了基于CUDA的TLD視覺跟蹤算法——CUDA-TLD算法。試驗(yàn)結(jié)果表明，相比于TLD算法，CUDA-TLD算法在保證準(zhǔn)確率不變的情況下有效提升了實(shí)時性。對于三種常見分辨率的視頻，