[发明专利]使用GPU硬件加速的Struck目标跟踪方法

摘要

本发明公开了一种使用GPU硬件加速的Struck目标跟踪方法，解决了现有技术跟踪性能不高和不具有实时处理能力的问题。本发明实现的步骤(1)获取灰度图像；(2)判断加载的图像是否为第1帧图像；(3)初始化跟踪目标的位置矩形框；(4)提取灰度图像的所有测试样本的特征；(5)确定跟踪目标的位置矩形框；(6)提取灰度图像的所有训练样本的特征；(7)初始化训练样本的权值和梯度；(8)获得和更新支持样本的权值、梯度；(9)判断是否加载完所有图像；(10)结束目标跟踪。本发明可用在通用计算机上实现对视频中的目标进行实时跟踪。

主权项

使用GPU硬件加速的Struck目标跟踪方法，包括如下步骤：(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：(4a)对灰度图像的所有测试样本，分别采用全采样法，采集测试样本的位置矩形框；(4b)根据灰度图像的积分图和所有测试样本的位置矩形框，利用计算机图形处理器GPU，并行提取灰度图像的所有测试样本的哈尔特征；(5)确定跟踪目标的位置矩形框：利用计算机图形处理器GPU，并行计算灰度图像的所有测试样本的判别值，找出最大判别值所对应的测试样本，将该测试样本的位置矩形框作为跟踪目标的位置矩形框；(6)提取灰度图像的所有训练样本的特征：(6a)将灰度图像的第一个训练样本的位置矩形框设定为跟踪目标的位置矩形框；(6b)对灰度图像的其余所有训练样本，分别采用等步长采样法，采集训练样本的位置矩形框；(6c)将灰度图像的所有训练样本的位置矩形框，复制到训练样本位置矩形框集 合中；(6d)根据灰度图像的积分图和所有训练样本的位置矩形框，利用计算机图形处理器GPU，并行提取灰度图像的所有训练样本的哈尔特征；(6e)将灰度图像的所有训练样本的特征，复制到训练样本特征集合中；(7)初始化训练样本的权值和梯度：将灰度图像的训练样本的权值和梯度初始化为0；将灰度图像的训练样本的权值、梯度分别加入到训练样本权值集合、训练样本梯度集合；(8)获得和更新支持样本的权值、梯度：(8a)采用最小化梯度方法，从灰度图像的训练样本中选择两个训练样本，将选择的两个训练样本作为支持样本A、B；采用最大化梯度差方法，更新支持样本A、B的权值和梯度；当支持样本的总数超过100时，采用最小化影响度方法，更新所有支持样本的权值和梯度；(8b)采用最大最小化梯度方法，从灰度图像集合中选择一个灰度图像，从选择的灰度图像的训练样本中选择两个训练样本，将选择的两个训练样本作为支持样本A、B；采用最大化梯度差方法，更新支持样本A、B的权值和梯度；若支持样本的总数超过100，则采用最小化影响度方法，更新所有支持样本的权值和梯度；(8c)采用最大最小化梯度方法，从灰度图像集合中选择一个灰度图像，从选择的灰度图像的训练样本中选择两个训练样本，将选择的两个训练样本作为支持样本A、B；采用最大化梯度差方法，更新支持样本A、B的权值和梯度；将本步骤连续操作9次；(8d)循环执行步骤(8b)、步骤(8c)9次；(9)判断是否加载完待跟踪图像序列的所有帧图像，若是，则执行步骤(10)，否则，执行步骤(1)；(10)结束目标跟踪。