基于嵌入式GPU的相關(guān)濾波跟蹤算法改進(jìn)及實(shí)現(xiàn)

徐 卓，康雋睿，袁 博，韓冬艷，黨清新

(1 西安現(xiàn)代控制技術(shù)研究所，西安 710065； 2 西安科技大學(xué)管理學(xué)院，西安 710065)

0 引言

隨著精確制導(dǎo)技術(shù)的快速發(fā)展，基于圖像的目標(biāo)跟蹤技術(shù)成為了制導(dǎo)領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)。然而在實(shí)際使用場(chǎng)景中，目標(biāo)跟蹤任務(wù)存在以下重點(diǎn)和難點(diǎn)：1) 目標(biāo)被局部或全部遮擋時(shí)，造成目標(biāo)特征信息變化，導(dǎo)致目標(biāo)丟失；2) 目標(biāo)發(fā)生尺度變化時(shí)，跟蹤框無法適應(yīng)目標(biāo)變化，導(dǎo)致出現(xiàn)跟蹤到目標(biāo)局部或背景；3) 當(dāng)視場(chǎng)出現(xiàn)抖動(dòng)，目標(biāo)在搜索區(qū)域以外時(shí)，無法鎖定目標(biāo)，導(dǎo)致跟蹤失?。?) 由于軍事偵察、精確制導(dǎo)等領(lǐng)域的特殊性，對(duì)目標(biāo)跟蹤技術(shù)有著強(qiáng)實(shí)時(shí)性的要求，但是嵌入式設(shè)備計(jì)算能力相對(duì)較弱，在基于嵌入式設(shè)備的高速跟蹤場(chǎng)景下表現(xiàn)差強(qiáng)人意，因此需要進(jìn)行算法并行加速設(shè)計(jì)保證目標(biāo)跟蹤算法的運(yùn)算速度。

目前目標(biāo)跟蹤算法中性能較好的主要有兩類，分別是深度學(xué)習(xí)類算法和相關(guān)濾波類算法。深度學(xué)習(xí)類算法的主要特點(diǎn)是生成具有深層特征的跟蹤器，極大地提高了跟蹤精度，但由于其計(jì)算量大，對(duì)設(shè)備要求較高，很難在嵌入式設(shè)備上實(shí)現(xiàn)。相關(guān)濾波類算法誕生之初就以速度著稱，這類算法將計(jì)算從時(shí)域轉(zhuǎn)換到頻域，很大程度減少了計(jì)算量，但相關(guān)濾波類算法在尺度變換、目標(biāo)遮擋等方面仍有不足。

針對(duì)上述問題，對(duì)相關(guān)濾波跟蹤算法進(jìn)行深入研究，提出一種基于多尺度特征自適應(yīng)更新的相關(guān)濾波跟蹤算法，在特征提取階段引入特征金字塔，實(shí)現(xiàn)對(duì)目標(biāo)尺度變化的處理，在模型更新階段引入自適應(yīng)更新策略，判斷目標(biāo)遮擋及丟失狀態(tài)，確保目標(biāo)重入視場(chǎng)時(shí)的重新捕獲，并在嵌入式圖形處理器(graphic processing unit，GPU)上進(jìn)行了算法加速，經(jīng)過算法仿真，實(shí)驗(yàn)表明文中算法在目標(biāo)遮擋及視場(chǎng)抖動(dòng)情況下跟蹤精度有明顯提升，可以綜合滿足了跟蹤精度和實(shí)時(shí)性的要求。

1 基于多尺度自適應(yīng)更新策略的相關(guān)濾波跟蹤算法

2014年Henriques等在相關(guān)濾波基礎(chǔ)上提出了核相關(guān)濾波(kernelized correlation filter, KCF)算法，主要思想是利用相關(guān)濾波器對(duì)圖像進(jìn)行度量，衡量?jī)蓚€(gè)信號(hào)的相似度，如果兩個(gè)信號(hào)越相似，那么其相關(guān)值就越高。而在目標(biāo)跟蹤領(lǐng)域的應(yīng)用里，就是需要設(shè)計(jì)一個(gè)濾波模板，使得其作用在跟蹤目標(biāo)上時(shí)，得到的響應(yīng)最大，得到的最大響應(yīng)值位置就是目標(biāo)的位置。

KCF相關(guān)濾波跟蹤算法屬基于背景學(xué)習(xí)的跟蹤算法，基于背景學(xué)習(xí)的跟蹤算法主要包括兩大步驟：模型訓(xùn)練和目標(biāo)判別。相關(guān)濾波跟蹤算法采用循環(huán)矩陣來構(gòu)造與目標(biāo)具有一定差異的樣本，而不是通過按照采樣方式一個(gè)樣本一個(gè)樣本地在圖像中裁取。在模型訓(xùn)練階段，這樣的構(gòu)造方法能夠通過矩陣運(yùn)算避免大量數(shù)據(jù)的重復(fù)采集、存儲(chǔ)、以及計(jì)算。在目標(biāo)判別階段，這樣的構(gòu)造方法能夠避免判別樣本單個(gè)逐一計(jì)算判別值，達(dá)到了預(yù)測(cè)目標(biāo)位置的效果。相關(guān)濾波跟蹤算法利用循環(huán)矩陣構(gòu)造訓(xùn)練樣本，并結(jié)合快速傅立葉變換，提高了跟蹤速度；通過核函數(shù)對(duì)多通道的方向梯度直方圖(histogram of oriented gradient, HOG)特征進(jìn)行融合，提高目標(biāo)跟蹤的準(zhǔn)確率。算法流程如圖1所示。

圖1 相關(guān)濾波跟蹤算法流程圖

KCF算法基于相關(guān)濾波跟蹤框架設(shè)計(jì)，跟蹤精度和跟蹤速度均有較好的表現(xiàn)，但由于其模板更新策略為逐幀更新，且有搜索區(qū)域的限制，當(dāng)目標(biāo)的尺度發(fā)生變化、目標(biāo)被局部或全部遮擋、視場(chǎng)發(fā)生劇烈抖動(dòng)時(shí)跟蹤精度會(huì)極度下降，容易導(dǎo)致目標(biāo)丟失，因此，需要對(duì)其模板更新策略及目標(biāo)搜索策略進(jìn)行優(yōu)化，提升算法跟蹤性能。

1.1 目標(biāo)遮擋優(yōu)化

由于相關(guān)濾波跟蹤算法的目標(biāo)模板基于實(shí)時(shí)更新策略進(jìn)行更新，因此當(dāng)目標(biāo)被遮擋時(shí)，很容易將遮擋物誤認(rèn)為目標(biāo)。針對(duì)這一問題，要及時(shí)在目標(biāo)被遮擋時(shí)停止更新模板，同時(shí)擴(kuò)大搜索區(qū)域，以在遮擋結(jié)束時(shí)快速找到目標(biāo)。因此，需要在算法中添加目標(biāo)是否被遮擋的判斷。

相關(guān)濾波跟蹤算法將學(xué)習(xí)到的目標(biāo)特征濾波器與當(dāng)前幀特征圖進(jìn)行卷積處理得到響應(yīng)圖如圖2所示。圖中軸、軸分別表示特征圖的兩個(gè)維度，軸表示特征圖中該點(diǎn)的響應(yīng)值。響應(yīng)圖中的響應(yīng)極大值點(diǎn)代表當(dāng)前幀特征圖與目標(biāo)特征濾波器最相似的點(diǎn)，其值表征了二者的相似程度。當(dāng)跟蹤目標(biāo)未受到遮擋時(shí)，目標(biāo)的檢測(cè)響應(yīng)與二維正態(tài)分布類似，響應(yīng)最大點(diǎn)為圖2(a)中響應(yīng)圖最高點(diǎn)，響應(yīng)極大值在0.2左右；而當(dāng)目標(biāo)被遮擋時(shí)，響應(yīng)最大點(diǎn)為圖2(b)中的響應(yīng)圖最高點(diǎn)，響應(yīng)極大值在0.1左右，同時(shí)周圍點(diǎn)的響應(yīng)值升高，在圖中表現(xiàn)為主響應(yīng)峰周圍出現(xiàn)其他響應(yīng)峰。

因此，可以用響應(yīng)極大值的變化來判斷目標(biāo)是否被遮擋，但針對(duì)不同目標(biāo)其響應(yīng)極大值差距較大，因此不能直接使用閾值來進(jìn)行判斷。通過標(biāo)準(zhǔn)差來衡量當(dāng)前跟蹤結(jié)果的置信度，分析響應(yīng)圖的峰值分布，對(duì)當(dāng)前幀是否被遮擋進(jìn)行評(píng)估，具體算法如下：

1)從當(dāng)前幀中提取個(gè)相關(guān)響應(yīng)，并記錄響應(yīng)值()及其出現(xiàn)概率()。

2)計(jì)算個(gè)響應(yīng)值的期望：

(1)

式中：()為第個(gè)響應(yīng)值；()為第個(gè)響應(yīng)值出現(xiàn)的概率。

3)使用標(biāo)準(zhǔn)差計(jì)算當(dāng)前跟蹤結(jié)果的置信度：

(2)

4)將與閾值進(jìn)行比較，如果>閾值，則判定跟蹤正常，繼續(xù)更新跟蹤模型參數(shù)；如果<閾值，則判定目標(biāo)被遮擋，停止更新跟蹤模型參數(shù)。

圖2 目標(biāo)響應(yīng)圖

1.2 尺度變化優(yōu)化

在目標(biāo)跟蹤場(chǎng)景下，由于目標(biāo)會(huì)有相對(duì)相機(jī)的軸向運(yùn)動(dòng)，因此隨著目標(biāo)與相機(jī)的位置變化，在成像時(shí)尺度變化。然而原始的KCF算法跟蹤窗口的大小是固定的，當(dāng)目標(biāo)尺度變大時(shí)，會(huì)導(dǎo)致跟蹤目標(biāo)的局部特征，導(dǎo)致跟蹤位置偏移；而當(dāng)目標(biāo)尺度縮小時(shí)，會(huì)引入過多的背景信息，導(dǎo)致跟蹤精度降低。因此，需要引入多尺度信息來應(yīng)對(duì)目標(biāo)的尺度變化。

考慮到跟蹤算法的實(shí)時(shí)性，提出一種快速尺度估計(jì)算法。根據(jù)目標(biāo)尺度變化情況設(shè)定1.3、1.1、1、0.9、0.7五個(gè)尺度，在下一幀圖像中提取5個(gè)尺度的目標(biāo)框，將5個(gè)尺度的目標(biāo)通過雙線性插值縮放為模板尺寸，并分別進(jìn)行特征提取及互相關(guān)矩陣計(jì)算，將響應(yīng)值最大的尺度確定為新的目標(biāo)尺度。計(jì)算流程如圖3所示，其中，…，，…，分別為不同尺度的輸入圖像，，…，，…，分別為不同尺度的輸出特征圖。

圖3 尺度變化策略

1.3 視場(chǎng)抖動(dòng)優(yōu)化

相關(guān)濾波跟蹤算法在目標(biāo)周圍鄰域內(nèi)進(jìn)行目標(biāo)的匹配和判別，然而當(dāng)視場(chǎng)出現(xiàn)抖動(dòng)時(shí)，目標(biāo)的幀間位移變大，使目標(biāo)位置跳出搜索區(qū)域，導(dǎo)致無法匹配到目標(biāo)，跟蹤失敗。針對(duì)此類問題，提出一種分階段目標(biāo)搜索策略。

1)當(dāng)目標(biāo)占據(jù)視場(chǎng)比例較小時(shí)(≤10像素×10像素)，輕微抖動(dòng)(幀間像素偏差≥25像素×25像素)即會(huì)導(dǎo)致跟蹤框丟失，將目標(biāo)及其周圍背景作為搜索對(duì)象，提取目標(biāo)及其周圍背景的特征進(jìn)行判別，根據(jù)響應(yīng)極大值判斷目標(biāo)是否丟失，當(dāng)目標(biāo)出框時(shí)停止更新模板，并擴(kuò)大搜索區(qū)域進(jìn)行目標(biāo)的重捕。

2)隨著相機(jī)逐漸接近目標(biāo)，當(dāng)目標(biāo)擴(kuò)大至50像素×50像素時(shí)，采用角點(diǎn)檢測(cè)算法對(duì)跟蹤區(qū)域進(jìn)行處理，對(duì)目標(biāo)及背景進(jìn)行區(qū)分，實(shí)現(xiàn)對(duì)目標(biāo)的重定位，同時(shí)對(duì)目標(biāo)中心點(diǎn)位置進(jìn)行確定，解決跟蹤末端的中心漂移問題。

2 基于嵌入式GPU的跟蹤算法加速

2.1 相關(guān)濾波跟蹤算法并行性分析

嵌入式GPU基于統(tǒng)一計(jì)算設(shè)備架構(gòu)(compute unified device architecture, CUDA)提供了并行計(jì)算支持，利用嵌入式GPU具備的多線程優(yōu)勢(shì)，可以同時(shí)對(duì)大量數(shù)據(jù)進(jìn)行計(jì)算。將圖像獲取、顯示等邏輯部分在中央處理器(central processing unit，CPU)上進(jìn)行處理，將特征提取及核相關(guān)計(jì)算放到并行計(jì)算能力強(qiáng)大的嵌入式GPU中實(shí)現(xiàn)。相關(guān)濾波跟蹤算法的CUDA實(shí)現(xiàn)處理流程如圖4所示。

圖4 相關(guān)濾波跟蹤算法CUDA實(shí)現(xiàn)處理流程

相關(guān)濾波跟蹤算法主要包括目標(biāo)檢測(cè)和模型訓(xùn)練兩部分，檢測(cè)部分主要在圖像搜索區(qū)域內(nèi)進(jìn)行多模板特征提取，并與模型訓(xùn)練參數(shù)進(jìn)行互相關(guān)匹配，當(dāng)響應(yīng)極大值超過一定閾值時(shí)，確定目標(biāo)位置，實(shí)現(xiàn)目標(biāo)跟蹤。訓(xùn)練部分需要提取匹配到的目標(biāo)特征，并進(jìn)行特征的自相關(guān)計(jì)算，將計(jì)算結(jié)果更新到模型參數(shù)中。

目標(biāo)檢測(cè)和模型訓(xùn)練的主要計(jì)算步驟具有很大的相似性，可以總結(jié)為5個(gè)部分：圖像提取、特征提取、FFT變換、核相關(guān)計(jì)算、模型訓(xùn)練。為統(tǒng)計(jì)算法各部分耗時(shí)，使用Visual Studio 2015軟件對(duì)相關(guān)濾波跟蹤算法進(jìn)行了實(shí)現(xiàn)，并對(duì)各部分函數(shù)耗時(shí)進(jìn)行了統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如圖5所示。

圖5 相關(guān)濾波跟蹤算法耗時(shí)分析

整體程序主要耗時(shí)在特征提取及核相關(guān)計(jì)算部分，其中特征提取函數(shù)getFeatures占據(jù)總體耗時(shí)的16.4%，核相關(guān)計(jì)算函數(shù)gaussianCorrelation占據(jù)總體耗時(shí)的11.4%，因此，基于嵌入式GPU重點(diǎn)對(duì)特征提取及核相關(guān)計(jì)算兩個(gè)部分進(jìn)行并行加速。

2.2 HOG特征提取并行加速

HOG特征的提取步驟為：計(jì)算梯度值、計(jì)算各梯度方向權(quán)值、計(jì)算Block的梯度直方圖、對(duì)梯度特征圖進(jìn)行標(biāo)準(zhǔn)化和閾值截?cái)?、進(jìn)行特征圖降維，得到31維的PCA-HOG特征。完整的HOG特征的求解過程如圖6所示。

圖6 HOG特征提取流程圖

進(jìn)行HOG特征提取時(shí)，梯度方向和幅值的計(jì)算、梯度圖標(biāo)準(zhǔn)化、閾值截?cái)?、特征圖降維等都是逐像素計(jì)算的過程，都可以直接使用CUDA進(jìn)行加速；統(tǒng)計(jì)梯度直方圖部分需要進(jìn)行累加操作，對(duì)并行計(jì)算的同步性有一定要求，因此采取并行規(guī)約的方式進(jìn)行計(jì)算。

在計(jì)算過程中，需要建立線程到像素點(diǎn)的一一映射，給每個(gè)線程分配一個(gè)固定內(nèi)存位置的像素進(jìn)行處理，線程塊、線程和圖像的對(duì)應(yīng)關(guān)系如圖7所示。

圖7 線程塊、線程和圖像對(duì)應(yīng)關(guān)系

每個(gè)線程格執(zhí)行不同的程序，由多個(gè)線程塊組成。線程塊里包含多個(gè)線程，為了適配目標(biāo)跟蹤算法，將線程塊設(shè)置為有二維的線程組成。線程是最小的處理單元，每個(gè)線程處理一個(gè)像素點(diǎn)的計(jì)算。GPU調(diào)度線程的最小單位是16個(gè)線程，因此將每個(gè)線程塊中線程的數(shù)量設(shè)置為(16，16)。設(shè)圖像的寬度為，高度為，則線程格中線程塊的數(shù)量為((+16+1)16,(+16+1)16)。建立好二維的線程格后，可以通過線程的索引映射到圖像中的每個(gè)像素點(diǎn)，計(jì)算方式為：

(3)

式中：、為像素點(diǎn)索引；、為線程索引；、為線程塊索引；、為線程塊尺寸。

介紹了圖像塊與線程的映射方案以及線程的索引方法后，各個(gè)部分的關(guān)鍵點(diǎn)為：

1)梯度計(jì)算

進(jìn)行梯度計(jì)算時(shí)，需要分別對(duì)當(dāng)前像素點(diǎn)的梯度幅值及方向進(jìn)行計(jì)算，并根據(jù)梯度方向的計(jì)算結(jié)果，將該點(diǎn)劃分到對(duì)應(yīng)的區(qū)間中。由于各個(gè)像素點(diǎn)的梯度計(jì)算與其他點(diǎn)的結(jié)果沒有相關(guān)性，因此可以直接使用GPU進(jìn)行并行計(jì)算。

2)計(jì)算梯度方向直方圖

圖8 并行歸約示意圖

經(jīng)過并行歸約，可以實(shí)現(xiàn)累加操作的部分并行，相比于串行操作的次累加，并行操作可以將累加速度提升8倍。

3)梯度圖歸一化和閾值截?cái)?/p>

對(duì)××27的梯度直方圖進(jìn)行歸一化，使用×個(gè)線程對(duì)包含當(dāng)前元胞的4個(gè)線程塊進(jìn)行操作。首先分別計(jì)算每個(gè)線程塊(除去邊界)的前9維無符號(hào)方向特征向量的平方和，然后分別計(jì)算每個(gè)線程塊在各個(gè)方向上的前9維無符號(hào)方向特征向量的2-范數(shù)，之后用各個(gè)屬性(共27維)除以包含當(dāng)前元胞的4個(gè)線程塊的2-范數(shù)，得到歸一化的27×4個(gè)屬性，每個(gè)線程僅處理當(dāng)前元胞內(nèi)部的16個(gè)點(diǎn)，由于不存在訪存沖突的問題，可以直接進(jìn)行計(jì)算，得到××27×4維的特征圖，然后根據(jù)設(shè)定的閾值進(jìn)行閾值截?cái)唷?/p>

4)特征圖降維

使用主成分分析進(jìn)行特征降維，將108維的特征圖壓縮為31維，仍然以元胞為單位進(jìn)行處理，每個(gè)線程進(jìn)行一個(gè)元胞的特征壓縮，對(duì)有符號(hào)梯度方向的18維向量分別做累加求和得到4維紋理特征，得到歸一化后的無符號(hào)方向特征、有符號(hào)方向特征向量和紋理特征向量后，一次存儲(chǔ)到全局內(nèi)存中，得到31維HOG特征。

2.3 核相關(guān)計(jì)算并行加速

核相關(guān)計(jì)算是將當(dāng)前目標(biāo)特征圖與模板目標(biāo)特征圖進(jìn)行相關(guān)計(jì)算的操作，評(píng)估當(dāng)前目標(biāo)與原始目標(biāo)的相似度。在進(jìn)行處理時(shí)，需要先將特征圖通過快速傅里葉變換(fast fourier transform，F(xiàn)FT)轉(zhuǎn)到頻域，求得響應(yīng)圖，之后再通過FFT逆變換轉(zhuǎn)回時(shí)域。

FFT變換在總時(shí)間中占比很大，在目標(biāo)檢測(cè)階段需要進(jìn)行的是二維傅立葉變換，使用CUDA加速FFT時(shí)，直接調(diào)用CUDA提供的函數(shù)cufftExecC2C及cufftExecC2R進(jìn)行傅立葉正變換及傅立葉逆變換。在求解響應(yīng)圖時(shí)，需要對(duì)兩張?zhí)卣鲌D進(jìn)行對(duì)應(yīng)點(diǎn)乘操作，可參照HOG特征提取部分，建立線程到圖像的一一映射關(guān)系，使用多線程進(jìn)行并行計(jì)算。

3 實(shí)驗(yàn)分析

3.1 跟蹤性能分析

為評(píng)估算法的跟蹤精度，在嵌入式平臺(tái)上對(duì)算法進(jìn)行驗(yàn)證，部分結(jié)果如下：

1)目標(biāo)遮擋效果

如圖9所示，視頻第126幀時(shí)正常跟蹤目標(biāo)，第135幀時(shí)目標(biāo)開始被局部遮擋，此時(shí)算法模板停止更新，開始擴(kuò)大搜索區(qū)域進(jìn)行目標(biāo)搜索，第142幀時(shí)目標(biāo)被完全遮擋，第149幀當(dāng)目標(biāo)重回視場(chǎng)后，實(shí)現(xiàn)對(duì)目標(biāo)的重新捕獲。

圖9 目標(biāo)遮擋測(cè)試

2)尺度變化

如圖10所示，視頻第370幀中初始目標(biāo)尺寸為11×11，第1 482幀中目標(biāo)尺寸為174×174，目標(biāo)尺度變化達(dá)到10倍，本算法仍能穩(wěn)定跟蹤目標(biāo)。

圖10 尺度變化測(cè)試

3)視場(chǎng)抖動(dòng)

圖11中，目標(biāo)大小為8×8，515幀到520幀之間出現(xiàn)目標(biāo)連續(xù)4幀丟失，丟失時(shí)相鄰幀目標(biāo)偏差像素?cái)?shù)達(dá)到20，相鄰3幀最大偏差像素?cái)?shù)35，已經(jīng)超出了原始相關(guān)濾波算法的搜索區(qū)域，此時(shí)算法開始逐漸擴(kuò)大搜索區(qū)域，經(jīng)過4幀后實(shí)現(xiàn)了對(duì)目標(biāo)的重新捕獲。

圖11 視場(chǎng)抖動(dòng)測(cè)試

3.2 加速效果分析

實(shí)驗(yàn)使用Nvidia TX2開發(fā)板進(jìn)行測(cè)試，實(shí)驗(yàn)環(huán)境如表1所示。

表1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)選取了圖像尺寸和目標(biāo)框尺寸不同的5組視頻進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如表2所示。

表2 測(cè)試結(jié)果

從實(shí)驗(yàn)結(jié)果可以看出，GPU相比于CPU的加速比在3.3～4.1之間。一般情況下，圖像塊尺寸越大，加速比越大。實(shí)驗(yàn)結(jié)果表明，使用GPU加速KCF算法效果明顯，對(duì)比原算法各個(gè)模塊的執(zhí)行時(shí)間、整體的幀率及時(shí)延均得到大幅改善，測(cè)試視頻中幀率均達(dá)到了50 幀/s，能夠?qū)崿F(xiàn)高速實(shí)時(shí)的目標(biāo)跟蹤。

4 結(jié)論

傳統(tǒng)相關(guān)濾波算法尺度單一、模板更新策略簡(jiǎn)單、搜索區(qū)域固定，因而在目標(biāo)尺度變換、目標(biāo)遮擋、視場(chǎng)抖動(dòng)情況下跟蹤效果不佳。針對(duì)上述問題，提出多尺度下特征自適應(yīng)更新的相關(guān)濾波算法，通過多尺度框架對(duì)目標(biāo)進(jìn)行尺度縮放，基于響應(yīng)極大值的標(biāo)準(zhǔn)差來判斷目標(biāo)被遮擋情況，當(dāng)目標(biāo)發(fā)生遮擋時(shí)停止模板更新，擴(kuò)大搜索區(qū)域進(jìn)行目標(biāo)的重新捕獲。同時(shí)將改進(jìn)后的算法在嵌入式GPU上進(jìn)行了實(shí)現(xiàn)，對(duì)算法進(jìn)行并行加速，達(dá)到了平均4倍的加速比，極大地提高了跟蹤算法的效率，在嵌入式設(shè)備上達(dá)到了50 幀/s以上的跟蹤速度。

對(duì)改進(jìn)相關(guān)濾波算法進(jìn)行了驗(yàn)證，結(jié)果表明文中算法在尺度變化、目標(biāo)遮擋、視場(chǎng)抖動(dòng)等方面均表現(xiàn)良好，提升了相關(guān)濾波算法的應(yīng)用價(jià)值，為目標(biāo)跟蹤在實(shí)際應(yīng)用中提供了可靠有效的現(xiàn)實(shí)方案。