[发明专利]一种基于GPU并行计算的视频运动目标跟踪方法

权利要求书

1.一种基于GPU并行计算的视频运动目标跟踪方法，其特征在于，包括以下步骤：

A、背景建模；

步骤A1：读入视频流的一帧图像；

步骤A2：判断读入的帧图像是否为第一帧，若是则利用GPU并行计算建立背景模型，若不是则转向步骤B；

B：运动目标识别；

步骤B1：对读入的帧图像用背景模型差分出运动前景图像；

步骤B2：根据连通性判断，合并同一运动目标，并为不具连通性的不同运动目标添加标签加以区分；

C：运动目标特征并行提取；

GPU分配五个核函数，对运动目标多维度基本特征进行并行一次提取，即分别用来提取运动目标的颜色特征、轮廓特征、运动轨迹特征和时间位置特征，以及对运动目标复杂细节特征进行并行二次提取，例如人的面部特征、车牌号特征、车型特征等；

C1：运动目标颜色特征采用HSV色彩空间下色彩直方图进行提取，具体方法是：

步骤C11：将RGB颜色空间转换为HSV模型；

步骤C12：将H、S、V三个颜色分量均匀等间隔量化，量化后三个颜色分量为L_H、L_S、L_V，将三个颜色分量合为以为特征矢量L＝ [L_H,L_S,L_V] ；

步骤C13：对间隔量化后得到的特征矢量提取归一化的颜色直方图；

C2：运动目标轮廓特征采用Hu矩特征进行提取，Hu矩具有放缩、平移、旋转等不变性，利用低阶矩构造出7个不变矩来描述运动目标轮廓，公式如下所示：

C3：运动目标运动轨迹特征采用质心估算、质心叠加的方式进行提取，具体方法是：采用几何方法将连续多帧帧图像中同一运动目标的质心估算出来，并记录下来，将所得同一运动目标的多个质心按照帧图像序列顺序叠加起来，并用平滑曲线连接，即得到运动目标的运动轨迹；

C4：运动目标时间地点位置特征采用提取帧图像的拍摄时间信息和低点位置信息；

C5：运动目标复杂细节特征采用Haar 特征和HoG 特征进行提取，具体步骤是：

C51：利用Haar 特征水平和竖直编码模式，计算像素x₀处水平方向和竖直方向上的梯度,即G_x(x₀)和G_y(x₀)；

C52：利用Haar 特征两种对角编码模式，计算像素处对角线方向上的梯度,即G_c(x₀)和G_d(x₀)；

C53：将对角线方向上的梯度转化到水平方向和竖直方向梯度坐标下；

C54：将计算Haar 特征四种编码模式下，像素处的水平方向和竖直方向总梯度,即G_x(x₀)和G_y(x₀)；

C55：根据像素处的水平方向和竖直方向总梯度计算像素点的梯度幅值和梯度方向，即G(x₀)和α(x₀)；

C56：根据像素处的梯度方向和幅值，采用直方图方式统计梯度信息，确定像素的直方图特征；

C57：按照上述计算方法计算块内每个像素的梯度幅值和方向，获得每个块的直方图特征；

C58：滑动窗口，顺序级联每个块的直方图特征，完成复杂细节特征的提取；

D：运动目标特征结构化描述；

将运动目标多维度基本特征与复杂细节特征数值化，并采用可扩展标记语言 (XML)进行描述；

E：运动目标跟踪；

利用GPU并行计算，将新视频中运动目标提取出来的特征信息与已有 XML 文件信息进行对比，若属于同一物体，则实现该运动目标的跟踪；其中，运动目标轮廓特征比对采用的是欧氏距离法，颜色比对采用的是马氏距离法。

2.一种基于GPU并行计算的视频运动目标跟踪方法，其特征在于，权利要求1中所述的背景建模方法可以选择高斯混合模型、非参数化背景模型、CodeBook背景模型中的一种。