[发明专利]基于粒子滤波和光流矢量的视频目标跟踪方法的优化方法

说明书

技术领域

本发明属于图像/视频后期处理技术领域，具体涉及一种基于粒子滤波和光流矢量的视频目标跟踪方法的优化方法。

背景技术

申请人与本发明同时提交的名称为“一种基于粒子滤波和光流矢量的视频目标跟踪方法”专利申请中，提供了一种结合粒子滤波和光流矢量来完成对视频目标进行跟踪的方法。该方法的主要步骤可简要描述如下：

(1)将t时刻图像转化为灰度图，对灰度图进行高斯模糊，对高斯模糊后的灰度图创建L级高斯金字塔，然后计算每级高斯金字塔图像在x和y方向上的灰度梯度。

(2)对t-1时刻图像的M个特征点根据灰度梯度求解其在t时刻图像中的位置偏移和仿射变换参数。

如果某个特征点丢失，则采用网格将跟踪目标搜索区域划分成与丢失特征点区域大小相同的K个图像区域，利用图像灰度差的平方和匹配丢失特征点区域，估计丢失特征点的近似位置；然后利用估计的近似位置作为初始位置重复步骤(2)，重新求解该特征点在下一帧图像中的位置偏移和仿射变换参数；所述跟踪目标搜索区域是指在图像的哪个范围中产生特征点的区域。

(3)对t-1时刻图像的N个粒子重新进行采样，并对新采样的N个粒子利用随机数或光流矢量进行重新分布；采用Newton迭代法求解特征点的光流矢量。

(4)计算N个粒子的RGB直方图，并根据RGB直方图计算每个粒子的权重，然后将N个粒子位置根据权重进行加权平均，得到跟踪目标t时刻图像的估计位置。

(5)对估计位置进行稳定性比较计算，得到跟踪目标的最终位置。

在上述方法中，涉及到大计算量的算法包括：将RGB图像转换成灰度图的算法、求金字塔模糊灰度图的算法、求金字塔灰度梯度图像的算法、根据下一级金字塔数据采样上一级金字塔数据的算法、特征点丢失后在搜索矩形区域中求解与特征点近似位置的算法、用Newton迭代法求解特征点的光流矢量的算法、以及粒子RGB直方图计算和权重计算。在视频目标跟踪技术领域中，对跟踪方法有实时性的要求，即要求跟踪方法的处理效率高。上述方法由于涉及大量的计算，因此其跟踪效率较低，严重影响了该方法的应用范围。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种对基于粒子滤波和光流矢量的视频目标跟踪方法的效率进行优化方法。

为实现上述目的，本发明采用的技术方案为，一种基于粒子滤波和光流矢量的视频目标跟踪方法的优化方法，该方法将基于粒子滤波和光流矢量的视频目标跟踪方法中所涉及的每个大计算量算法在多CPU上并行计算，在每个CPU上运行一个线程，负责处理一部分行数据，将所有行数据均匀分配到每个CPU上；当每个线程完成自己的任务后，向线程同步管理者发事件告知，当线程同步管理者在得到所有线程完成当前任务的时间都到来后，启动所有线程开始后续任务事件；

所述大计算量算法包括将RGB图像转换成灰度图的算法、求金字塔模糊灰度图的算法、求金字塔灰度梯度图像的算法、根据下一级金字塔数据采样上一级金字塔数据的算法、特征点丢失后在搜索矩形区域中求解与特征点近似位置的算法、用牛顿迭代法求解特征点的光流矢量的算法、以及粒子RGB直方图计算和权重计算。

如上所述的优化方法，其中，在求金字塔模糊灰度图像的算法和求金字塔灰度梯度图像的算法中，将二维卷积分解为两个一维卷积，先用图像的每一行与一维高斯函数进行卷积，然后再对结果的每一列与一维高斯函数进行卷积，每次卷积在多CPU上并行计算。

本发明所述方法，通过将基于粒子滤波和光流矢量的视频目标跟踪方法中所涉及的大计算量算法在多CPU上同步计算的方式，大大提高了算法的运算速度，进而提高了整个跟踪方法的效率，满足了对跟踪方法实时性的要求。

具体实施方式

下面结合具体实施方式和附图，对本发明进行详细描述。

本发明的核心思想是：将基于粒子滤波和光流矢量的视频目标跟踪方法中所涉及的每个大计算量算法在多CPU上并行计算，在每个CPU上运行一个线程，负责处理一部分行数据，将所有行数据均匀分配到每个CPU上；当每个线程完成自己的任务后，向线程同步管理者发事件告知，当线程同步管理者在得到所有线程完成当前任务的时间都到来后，启动所有线程开始后续任务事件。

其中，大计算量算法包括将RGB图像转换成灰度图的算法、求金字塔模糊灰度图的算法、求金字塔灰度梯度图像的算法、根据下一级金字塔数据采样上一级金字塔数据的算法、特征点丢失后在搜索矩形区域中求解与特征点近似位置的算法、用牛顿迭代法求解特征点的光流矢量的算法、以及粒子RGB直方图计算和权重计算。