论文部分内容阅读
视觉目标跟踪是计算机视觉的热点问题之一,在智能机器人、视频监视和自动驾驶等领域有着广泛的应用。其面临的主要问题包括目标外观变化、背景遮挡和背景干扰等。此外,随着跟踪算法精度的提高,目标模型复杂度和计算复杂度随之增加,实时跟踪成为视觉目标跟踪中急需解决的问题之一。CUDA(Compute Unified Device Architecture)是一种高性能并行计算工具,用于解决高复杂问题的计算。在视觉目标跟踪中,CUDA常被用来对算法进行并行加速,以达到实时跟踪目的。本文主要对基于特征点跟踪、快速相关滤波等跟踪算法进行研究,并利用CUDA异构编程技术对其进行优化加速以满足实时性要求。本文的研究成果对视觉目标跟踪的应用提供一定的理论和实际参考。本文的主要工作如下:1.提出一种增强CMT(Clustering of Static-Adaptive Correspondences for Deformable Object Tracking)跟踪算法及其CUDA优化加速方法。CMT是基于静态自适应特征点匹配跟踪和几何相似性测量的跟踪算法,其光流跟踪模块跟踪背景特征点时,将会导致跟踪失败。因此,本文引入一种再检测机制,利用训练样本的方向梯度直方图特征训练学习支持向量机模型,检测出最佳候选目标框并过滤掉光流中背景特征点。为了抑制模型在目标预测时出错,本文引入高斯权重矩阵以提高预测精度。在标准数据集上测试表明,本文提出的增强CMT算法具有更高跟踪精度。为了进一步提高增强CMT算法的运算速度,本文提出了一种CUDA并行优化加速方法。实验表明,加速后的增强CMT算法能够实现在线、实时跟踪。2.提出了一种自适应长期在线跟踪算法及其CUDA优化加速方法。在增强CMT跟踪算法的基础上,同时引入动态和静态目标模型以及多尺度核相关滤波器分别作为长期和短期跟踪器,为目标跟踪同时提供长期、可靠和短期的跟踪信息,并采用自适应更新机制更新两种跟踪器模型,进一步提高算法的鲁棒性。最后,本文提出了一种基于压缩感知特征的支持向量机模型,以实现目标的再检测功能。为了进一步提高算法的实时性,本文提出了一种对自适应长期在线跟踪算法进行CUDA优化加速的方法。在标准数据集上测试表明,与其他先进的跟踪算法相比,本文提出的方法在目标尺度变化、被遮挡和再检测情况下均具有较好的鲁棒性,且能实现实时、长期的目标跟踪。