[发明专利]基于流水线并行处理技术的粒子滤波目标跟踪方法及装置

说明书

技术领域

本发明涉及一种基于流水线并行处理技术的粒子滤波目标跟踪方法及装置，可以显著提高粒子滤波目标跟踪算法的执行效率及实时性，属于计算机视觉技术领域。

背景技术

图像序列中的目标跟踪是计算机视觉领域的一个研究热点，它为视频监控、精确制导、机器人导航、视频压缩等提供了重要的基础。

粒子滤波（Particle Filter）是近年来提出的一种有效的非刚性目标跟踪算法。其本质上属于一种基于蒙特卡罗仿真的方法，它首先获取目标的参考颜色直方图，然后利用状态空间的一组带权值的随机样本（粒子）逼近状态变量的概率密度函数，每个样本代表系统的一个可能状态，可以得到状态的最小方差估计，从而找出目标在每帧中最有可能的新位置。基于粒子滤波进行目标跟踪的算法包括如下迭代步骤：（1）序贯重要性采样，根据重要性分布函数，采样N个新粒子；（2）粒子权重计算，根据粒子周围颜色直方图与目标参考颜色直方图的相似性对比，计算其权重，相似性越大权重越高，同时归一化权重；（3）重采样，计算有效粒子个数，增加有效粒子个数，删减无效粒子；（4）状态估计，对粒子进行加权求和得到新的目标位置。粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，可以有效处理遮挡、背景干扰、弱小目标跟踪等复杂问题。因此，近几年来它成为计算机视觉、目标跟踪、机器学习等领域的研究热点。

然而，由于粒子滤波算法具有较高的复杂度，普通软硬件实现很难满足应用的实时性要求。另一方面，伴随着电子设备小型化、低功耗化、便携移动化、网络化的发展趋势，迫切需要对原有粒子滤波目标跟踪算法的实现架构进行重构，并在此架构下重新设计算法实现的步骤和方法，使其满足各种应用环境下对跟踪效率和算法实时性的要求。

目前已提出的用于提高粒子滤波目标跟踪算法实时性的方法大致分为两类：基于GPU或单指令多数据流（SIMD）处理器的方法和基于算法定制硬件的方法。前一类方法虽然通过并行化解决了一定的实时性问题，但因其处理器设计的通用性，并没有考虑粒子滤波算法的特殊性以及执行步骤之间的依赖关系。同时，该类方法也易受到存储器访问瓶颈的影响。后一类方法从算法的特性入手，进行硬件的定制设计，虽然在一定程度上提高了算法的实时性，但是却牺牲了粒子滤波算法的灵活性，比如算法一旦进行了改进或粒子特征提取的方法发生了变化，硬件则需要进行大幅度修改甚至重新定制。

公开号CN101604449A，“一种基于并行粒子滤波的图像目标跟踪方法及装置”所提出的方法属于基于算法定制硬件的方法，虽然其对粒子滤波算法的步骤都做了硬件加速及优化，在很大程度上实现了算法的并行化处理和执行加速，但所提出的方法和硬件只是针对以颜色直方图为特征的粒子进行的处理，很难适用于其它种类特征或是其它粒子滤波的改进算法，没有提出一种具有广泛适应性的方法架构。

公开号US20120093364A1，“OBJECT TRACKING DEVICE,OBJECT TRACKING METHOD,AND OBJECT TRACKING PROGRAM”所提出的方法也属于硬件实现的方法，但其并未针对算法的执行效率进行优化，仍然存在很大的实时性改进空间。

总之，现有的用于提高粒子滤波目标跟踪算法实时性的方法还存在诸多局限性，在执行效率方面并不占优势，还需要进一步提升实时并行处理能力来适应复杂环境的应用。

发明内容

本发明的目的是针对现有技术中存在的不足，提出一种基于流水线并行处理技术的粒子滤波目标跟踪方法及装置。该方法可以大幅度提高粒子滤波算法的执行效率，提高实时性，同时解决存储器访问瓶颈问题，另一方面又提出了可扩展的通用并行粒子滤波系统框架，满足算法改进升级的要求。

为实现上述发明目的，本发明的方法所采取的技术方案包括图像输入预处理、粒子权值并行计算和粒子滤波的输出处理三个步骤，这三个步骤采用流水线并行处理的工作方式，具体如下：

（1）步骤一：预测本帧图像的粒子集，并根据粒子进行待处理数据的分发。设本帧为第k帧，并设第k-2帧有M个离散粒子构成的粒子集为粒子相应的权重为根据以前帧的状态估计，预测出本帧粒子集：

这里和为以前帧的状态估计值。

以本帧粒子集所对应的点为中心，在本帧图像上分别设置M个长宽为m×n的取景框，将取景框中的图像分发到M个协处理单元的先进先出缓冲器（FIFO）中。