一種比賽運(yùn)動目標(biāo)自適應(yīng)跟蹤算法的GPU實(shí)現(xiàn)*

馬艷軍，于 雷

(1.寧夏大學(xué) 體育學(xué)院，寧夏 銀川 750021；2.寧夏大學(xué) 網(wǎng)絡(luò)與信息管理中心，寧夏 銀川 750021)

計(jì)算機(jī)視覺是指針對視頻或圖像信息，利用高性能處理器和處理算法對信息特征進(jìn)行識別、跟蹤、提取等，從而令計(jì)算機(jī)具備快速、精確認(rèn)知視頻或圖像信息的能力.在計(jì)算機(jī)視覺技術(shù)領(lǐng)域，運(yùn)動目標(biāo)檢測在軍事制導(dǎo)、視覺導(dǎo)航、機(jī)器人控制、智能交通、電視直播等領(lǐng)域有著廣泛的應(yīng)用[1-2]，已經(jīng)成為國內(nèi)外學(xué)者的研究熱點(diǎn).

運(yùn)動目標(biāo)跟蹤需要借助被跟蹤目標(biāo)的運(yùn)動方向、形狀、大小等信息，實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)動態(tài)跟蹤.現(xiàn)有的運(yùn)動目標(biāo)跟蹤方法由目標(biāo)表示、時(shí)空預(yù)測和模型更新組成.文獻(xiàn)[3]在建立運(yùn)動目標(biāo)概率模型的基礎(chǔ)上.利用基于卡爾曼濾波器的預(yù)測校正方法實(shí)現(xiàn)了無人地面車輛的運(yùn)動目標(biāo)跟蹤.文獻(xiàn)[4]利用像素、部位、外形等級別的粒度重建了目標(biāo)模型，進(jìn)而提出集成化的自適應(yīng)決策樹來實(shí)現(xiàn)運(yùn)動目標(biāo)的精確跟蹤.文獻(xiàn)[5]針對目標(biāo)的快速移動性以及通信系統(tǒng)的帶寬限制與有限通信距離等問題，設(shè)計(jì)了一種基于柔性融合的優(yōu)化學(xué)習(xí)算法，實(shí)現(xiàn)了傳感器信息與運(yùn)動目標(biāo)跟蹤的高效融合.文獻(xiàn)[6]基于跟蹤門、強(qiáng)度疊加等技術(shù)實(shí)現(xiàn)了運(yùn)動目標(biāo)信息的精確融合，進(jìn)而實(shí)現(xiàn)了運(yùn)動目標(biāo)特征的快速識別.文獻(xiàn)[7]利用視頻跨域拼接技術(shù)實(shí)現(xiàn)了運(yùn)動目標(biāo)的單一場景展示，進(jìn)而基于ViBe背景建模、Kalman濾波等方法實(shí)現(xiàn)了目標(biāo)運(yùn)動軌跡的快速、精確檢測.文獻(xiàn)[8]基于傅里葉卷積方法和廣義逆理論，實(shí)現(xiàn)了靈活跟蹤.

本文提出一種基于特征融合與粒子濾波的新型自適應(yīng)目標(biāo)跟蹤算法：利用特征融合建立精確的運(yùn)動目標(biāo)模型，基于粒子濾波方法實(shí)現(xiàn)模型的快速跟蹤.此外，建立了以圖像處理單元(graphics processing unit，GPU)為核心的運(yùn)動目標(biāo)跟蹤硬件平臺.最后，在該平臺上進(jìn)行相關(guān)實(shí)驗(yàn)，驗(yàn)證所提方法的有效性.

1 目標(biāo)跟蹤算法

1.1 運(yùn)動目標(biāo)特征融合

特征融合的目的在于提取、分析、整合移動目標(biāo)的特征信息，從而建立反映物體運(yùn)動狀態(tài)的描述方程.假設(shè)x=[x1,x2, …,xn]代表運(yùn)動目標(biāo)的狀態(tài)，t=1, 2, …,n；xt=[dt,st]代表運(yùn)動目標(biāo)在t時(shí)刻的狀態(tài)，dt為方向，st為速度.特征融合的方法包括方向與速度的概率優(yōu)化和權(quán)重整合.

首先，提出式(1)和式(2)所示的不同運(yùn)動目標(biāo)x(i)、x(j)的方向與速度的概率優(yōu)化方法：

(1)

(2)

式中:f(·)為特征融合函數(shù)，用于擬合運(yùn)動目標(biāo)的狀態(tài)；P(·)為概率融合，用于校正融合后的運(yùn)動狀態(tài)；λ為融合校正系數(shù)；上角標(biāo)(i)、(j)分別代表第i、j個(gè)移動目標(biāo).

其次，為了實(shí)現(xiàn)特征的有機(jī)整合，需要在滿足式(3)所示的融合代價(jià)函數(shù)的基礎(chǔ)上，實(shí)現(xiàn)基于式(4)所示的運(yùn)動狀態(tài)權(quán)重整合，最終得到運(yùn)動目標(biāo)特征融合后的狀態(tài)描述.

(3)

(4)

式中:α、β為權(quán)重調(diào)整系數(shù)；φ(·)為運(yùn)動目標(biāo)的狀態(tài)描述方程.

1.2 粒子濾波目標(biāo)跟蹤

粒子濾波的作用是對建立的運(yùn)動目標(biāo)狀態(tài)描述方程進(jìn)行濾波與識別[9]，從而實(shí)現(xiàn)移動物體的快速跟蹤.為了表征目標(biāo)被精確跟蹤，需要基于目標(biāo)狀態(tài)描述建立方程，并判斷后驗(yàn)概率密度函數(shù)：

(5)

式中：0 <ωi< 1為后驗(yàn)概率系數(shù).一般情況下，為了充分利用后驗(yàn)概率密度函數(shù)的判別性能，需要對其后驗(yàn)概率系數(shù)進(jìn)行修改，以使其適應(yīng)移動狀態(tài)下的目標(biāo)判別.后驗(yàn)概率系數(shù)修改為：

(6)

式中:wi_t+1、wi_t分別為后驗(yàn)概率系數(shù)在t+1、t時(shí)刻的取值.在得到后驗(yàn)概率系數(shù)后，即可計(jì)算候選粒子的跟蹤概率，即

(7)

式中:μ、σ2分別為粒子偏差與方差.

式中:‖·‖2為L2范數(shù).基于以上推導(dǎo)，給出如圖1所示的移動目標(biāo)跟蹤方法.

2 基于GPU的算法實(shí)現(xiàn)平臺

為了實(shí)現(xiàn)移動目標(biāo)的檢測，單純依靠算法是遠(yuǎn)遠(yuǎn)不夠的，必須建立適合圖像數(shù)據(jù)處理的硬件系統(tǒng).與常見的中央處理單元(CPU)相比，圖像處理單元GPU具備更加簡潔而高效的計(jì)算架構(gòu)，控制邏輯簡單且不存在Cache，具備更多的線程數(shù)和寄存器，非常適合并行計(jì)算.建立基于GPU的圖像處理服務(wù)器，對于提高視頻/圖像識別精度具有重要意義.本文選擇表1所示的GPU作為圖像處理算法平臺的硬件核心GPU.表2給出了所選GPU的具體數(shù)據(jù).

表1 選用的GPU特征Tab.1 Features of the adopted GPU

表2 選用的GPU數(shù)據(jù)Tab.2 Datasheet of the adopted GPU

在選擇好GPU型號后，設(shè)計(jì)如圖2所示的GPU外圍電路，即可形成完整的圖像處理實(shí)驗(yàn)平臺.

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提運(yùn)動目標(biāo)跟蹤算法與硬件平臺，針對足球比賽中的運(yùn)動球員跟蹤問題進(jìn)行了實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果如圖3所示.無論含有少量運(yùn)動物體的圖像，還是含有多個(gè)運(yùn)動物體的圖像，所提方法均可以在毫秒級別的時(shí)間內(nèi)實(shí)現(xiàn)運(yùn)動目標(biāo)的精確跟蹤，且跟蹤精度>99.2%.由此可知，所提跟蹤算法與硬件平臺可以實(shí)現(xiàn)運(yùn)動目標(biāo)的自適應(yīng)、快速、精確跟蹤.

4 結(jié)論

針對足球比賽中移動目標(biāo)的實(shí)時(shí)、精確跟蹤問題，提出一種基于特征融合與粒子濾波的新型自適應(yīng)目標(biāo)跟蹤算法.利用特征融合建立精確的運(yùn)動目標(biāo)模型，基于粒子濾波方法實(shí)現(xiàn)模型的快速跟蹤.設(shè)計(jì)基于圖像處理單元的，包括外圍電路的算法實(shí)現(xiàn)硬件平臺.實(shí)驗(yàn)結(jié)果表明，所提算法及硬件平臺的高效整合可以實(shí)現(xiàn)運(yùn)動目標(biāo)的快速、高精度跟蹤.