[发明专利]基于CUDA的深度时空信息融合的目标跟踪方法及系统

说明书

本发明公开了基于CUDA的深度时空信息融合的目标跟踪方法，包括以下步骤：通过图像采集装置获取图像帧，以相邻的两个图像帧中前一图像帧为匹配模板并传送至控制平台；通过基于CUDA的控制平台对匹配模板和后一帧图像进行检测，获取移动目标；控制平台对移动目标采用深度时空信息融合进行识别跟踪。本发明还公开了基于CUDA的深度时空信息融合的目标跟踪系统。本发明利用距离均值和匹配模板来重新定义移动事件，过滤噪声和其他干扰元素；利用图像帧间信息相关性特征，以及目标与周围环境存在的时空联系，得到精确的跟踪效果；本发明采用了GPU资源对系统进行加速处理，提高跟踪系统的运算速度。

技术领域

本发明涉及移动目标跟踪技术领域，具体涉及到基于CUDA的深度时空信息融合的目标跟踪方法及系统。

背景技术

移动目标跟踪是计算机视觉领域上的一个研究热点，目标跟踪技术在无人机，制导导弹，视频监控，无人驾驶等诸多领域都具有重要应用。由于目标跟踪系统具有应用性较强的特点，许多应用场景对目标跟踪系统的准确性和稳定性具有较高要求。在一些复杂条件下，例如场景中出现障碍物遮挡，光照变化，雨雾天气等情况，会极大地影响目标跟踪系统的性能，例如基于颜色直方图粒子滤波的移动目标跟踪系统对光照变化非常敏感，当光照强度明显变化时会降低该系统的目标跟踪精度。例如基于高斯匹配模型的跟踪系统需要在跟踪过程中不断更新模型，当出现目标出现遮挡及姿态变化时，容易导致跟踪中断。

在移动目标跟踪系统的设计上，为了减少系统的复杂性并降低跟踪误差，需要先进行移动目标检测，即将移动目标从场景中提取出来。当提取出移动目标后，只需从移动目标中识别出目标并进行跟踪，不再需要对背景和其他静态对象进行处理，减少了系统的运算工作量和复杂度。传统的差分和阈值方法在检测移动目标时，是通过监控图像当前帧与前一帧进行匹配，这两帧图像不同的地方会在当前帧图像产生白色像素，并且预先指定了一个阈值，当白色像素的数量大于阈值时，会把它指示为一个移动事件。该方法具有较低的复杂度，并且通过前后帧匹配过滤静态背景的方式可以忽略光照影响，有效地进行移动目标检测。然而，如果存在图像噪声和一些干扰的移动元素，例如落叶等移动物体，采用传统的差分阈值法会将它们检测为移动目标，会对后续的目标跟踪处理带来更多的困难。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供基于CUDA的深度时空信息融合的目标跟踪方法及系统。

本发明解决其技术问题所采用的技术方案是：

基于CUDA的深度时空信息融合的目标跟踪方法，其特征在于，包括以下步骤：

通过图像采集装置获取图像帧，以相邻的两个图像帧中前一图像帧为匹配模板并传送至控制平台；

通过基于CUDA的控制平台对匹配模板和后一帧图像进行检测，获取移动目标；

控制平台对移动目标采用深度时空信息融合进行识别跟踪。

进一步的，通过基于CUDA的控制平台对匹配模板和后一帧图像进行检测，获取移动目标，具体包括：对匹配模板和后一帧图像上的移动目标构成的像素进行检测并分簇，计算每个簇中心点位置及每个簇中各像素点到簇中心点的距离均值；对每个簇进行标识。

进一步的，所述计算每个簇中心点位置及每个簇中各像素点得到簇中心点的距离均值，具体为：

设簇j(j∈N)有m个像素点，像素点x_i(i＝1,…m)的重量为g(x_i)，建立有关x_i的函数w(c_j|x_i)，w(c_j|x_i)表示x_i以c_j作为簇中心所构成的像素点集群；

计算该簇中心点c_j的位置：