[发明专利]使用GPU硬件加速的Struck目标跟踪方法

说明书

技术领域

本发明属于计算机技术领域，更进一步涉及计算机视频目标跟踪技术领域中的一种使用计算机图形处理器GPU硬件加速的基于核方法的结构输出Struck目标跟踪方法。本发明可以实现对基于核方法的结构输出Struck目标跟踪方法加速，可用在通用计算机上实现对视频中的目标进行实时跟踪。

背景技术

具有高速、高性能的目标跟踪方法是计算机视觉领域的核心技术。目前的目标跟踪方法分为两类：一类是基于特征匹配的跟踪方法，该方法主要是构建能够代表目标的特征，然后通过特征间的匹配度来判断目标的位置；另一类是基于目标与背景分离的跟踪方法，该方法运用机器学习的方法学习一个能够分离目标与背景的分类器，学习过程一般为在线训练过程，通过学习到的分类器来判断目标位置。相比之下，前者具有计算简单，但对具有光照、遮挡、尺度等因素变化的情况不能很好地处理。后者在一定程度上能够解决前者遇到的问题，而具有较高的鲁棒性，但其计算复杂度较高。

西北农林科技大学提出的专利申请“一种基于全局搜索的实时分布场目标跟踪方法”(申请日：2014年6月26日，申请号：201410298728.7，公开号：CN 104036528A)中公开了一种基于特征匹配的跟踪方法。该方法将目标的分布场作为目标模型，在计算候选区域分布场与目标模型相关系数矩阵时，借助二维傅里叶变换的良好性质，将局部范围的搜索扩大到全局范围的搜索，并且保证了很高的处理速度，具有实时处理的能力。但是，该方法仍然存在的不足是，采用了一种简单的线性更新方法来更新目标图像分布场模型，对于目标被暂时遮挡的情况，这种更新方法会丢掉目标信息，从而出现模板漂移的问题。

武汉大学提出的专利申请“一种多特征提取逐步求精的高速目标跟踪算法”(申请日：2014年9月2日，申请号：201410442527.X，公开号：CN104200216A)中公开了一种基于特征匹配的跟踪方法。该方法将目标的多种特征进行融合作为目标模型，采用Mean Shift方法计算出多特征融合后的目标位置。该方法虽然具有较高的跟踪精度，一定程度上避免了模板漂移的问题。但是，该方法仍然存在的不足是，只通过初始目标模型和当前候选目标模型来更新目标模型，因此，该方法对目标的初始化很敏感，该方法具有鲁棒性低的缺点。

Sam Hare、Amir Saffari和Philip H.S.Torr发表的论文“Struck:Structured Output Tracking with Kernels”(IEEE International Conference on Computer Vision,ICCV 2011,Barcelona,Spain,November 6-13,2011,pages 263–270)中公开提出了一种基于目标与背景分离的跟踪方法，该方法简称为Struck目标跟踪方法。该方法采用基于结构化支持向量机模型Structured SVM，学习一个能区分目标与背景的分类器，通过学习到的分类器来判断目标的位置。该方法虽然具有性能高的优点，在一定程度上克服了传统方法不能解决由遮挡和光照变化造成的鲁棒性降低的问题。但是，该方法仍然存在的不足是，该方法采用串行计算的方法进行提取训练样本和测试样本的特征、获得和更新支持样本的权值、梯度和计算测试样本的判别值，由于以上每个过程都涉及很大计算量，因此该实现具有处理速度慢的缺点。实验表明，对于一个长时间的视频序列，该方法的平均处理速度大约为5fps，显然该方法不具有实时性，从而限制了它的实际应用。

发明内容

本发明的目的在于克服上述现有技术的不足，提供了一种使用GPU硬件加速的Struck目标跟踪方法，可实现对视频中的目标进行实时跟踪。

本发明的步骤如下：

(1)获取灰度图像：

(1a)将待跟踪图像序列中的一帧图像加载到计算机主机内存中；

(1b)将加载到计算机主机内存的图像转化为灰度图像；

(1c)调用开源计算机视觉库OpenCV中的积分图计算函数cvIntegral，计算灰度图像的积分图；

(1d)将灰度图像复制到灰度图像集合中；

(2)判断加载的图像是否为待跟踪图像序列中的第1帧图像，若是，则执行步骤(3)，否则，执行步骤(4)；

(3)初始化跟踪目标的位置矩形框：

在灰度图像中选取一个将跟踪目标包含在内的矩形框，将所选的矩形框作为跟踪目标的位置矩形框，执行步骤(6)；

(4)提取灰度图像的所有测试样本的特征：