[发明专利]基于FHOG和颜色特征的目标跟踪方法及GPU加速

说明书

本发明公开了一种基于FHOG和颜色特征的目标跟踪方法及GPU加速，可实现对视频中的目标的高速准确跟踪。本发明通过提取FHOG、color‑naming基础颜色和色度饱和度三者的组合特征，提高了目标跟踪准确率；通过使用以0.006为等差值的7级自适应尺度变换，提高了对尺度变换场景下目标的跟踪准确率；通过使用计算机图形处理器GPU，并行加速改进后的KCF目标跟踪算法，极大的提高了跟踪速度。

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基于FHOG和颜色特征的目标跟踪方法及GPU加速，主要应用于视频目标的实时准确跟踪。

背景技术

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。基于目标与背景分离的跟踪方法是目前的主流跟踪方法。

西安电子科技大学提出的专利申请“使用GPU加速的Struck的目标跟踪方法”(申请日：2015年3月14日，申请号：201510112791.1，公开号：CN 104680558A)中公开了一种GPU硬件加速的struck目标跟踪方法。该方法采用基于结构化支持向量机模型structuredSVM，学习一个能区别目标和背景的分类器，通过学习到的分类器来判断目标的位置，提高了跟踪速度，通过使用GPU并行计算提高了跟踪速度。但是该方法存在的不足是，采用了基于结构化支持向量机模型structured SVM，跟踪准确率不高，跟踪速度比较慢。

上海宝宏软件有限公司提出的专利申请“一种实时的视频跟踪方法”(申请日：2016年5月13日，申请号：201610314297.8，公开日：CN 106023248 A)中公开的一种将跟踪目标分割成字块的方式压缩图像特征，利用KCF(核化相关滤波器)算法计算特征向量之间的相关性以达到视频跟踪的目的。该方法虽然具有性能高的优点，满足一般场景下实时性的需求。但是该方法仍然存在的不足是，该方法采用了灰度直方图和色度直方图特征的组合，跟踪准确率不高；采用了串行计算的方法进行特征提取，模型训练，目标检测，处理速度慢。

2014年，Henriques,J.F.,Caseiro,R.,Martins,P.,和Batista,J.发表的论文“High-Speed Tracking with Kernelized Correlation Filters”(Pattern Analysisand Machine Intelligence,IEEE Transactions on)提出了一种基于二维傅立叶变换的跟踪方法，即KCF算法。该算法提取FHOG特征，使用循环偏移构建分类器的训练样本，利用循环矩阵的特性把问题的求解变换到傅里叶域，降低了算法复杂度，一定程度上加快了跟踪速度。但是，该算法中仍存在的不足是，采用串行计算的方法进行训练和检测导致跟踪速度不够快，只使用FHOG特征跟踪准确率不高，无法适应目标尺度变化等。

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GPU加速基于FHOG和颜色特征的目标跟踪方法，可实现对视频中的目标的高速准确跟踪。

本发明通过提取FHOG、color-naming基础颜色和色度饱和度三者的组合特征，提高了目标跟踪准确率；通过使用以0.006为等差值的7级自适应尺度变换，提高了对尺度变换场景下目标的跟踪准确率；通过使用计算机图形处理器GPU，并行加速改进后的KCF目标跟踪算法，极大的提高了跟踪速度。

为实现上述目的，本发明的步骤基本包括如下：