• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

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

      2022-10-12 06:12:00康雋睿韓冬艷黨清新
      關(guān)鍵詞:視場(chǎng)線程特征提取

      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。

      猜你喜歡
      視場(chǎng)線程特征提取
      星模擬器光學(xué)系統(tǒng)視場(chǎng)拼接方法的研究
      基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
      電子制作(2019年15期)2019-08-27 01:12:00
      醫(yī)用內(nèi)窺鏡矩形視場(chǎng)下入瞳視場(chǎng)角的測(cè)試方法研究
      淺談linux多線程協(xié)作
      一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
      輕小型面陣擺掃熱紅外成像系統(tǒng)研究
      基于MED和循環(huán)域解調(diào)的多故障特征提取
      Linux線程實(shí)現(xiàn)技術(shù)研究
      Walsh變換在滾動(dòng)軸承早期故障特征提取中的應(yīng)用
      軸承(2010年2期)2010-07-28 02:26:12
      么移動(dòng)中間件線程池并發(fā)機(jī)制優(yōu)化改進(jìn)
      鹤峰县| 平湖市| 三门峡市| 汉沽区| 潜江市| 凤庆县| 浮梁县| 定西市| 晋城| 易门县| 潜江市| 渝北区| 鸡西市| 洪湖市| 仙桃市| 冀州市| 兰西县| 曲麻莱县| 金门县| 广东省| 北宁市| 六安市| 同江市| 峨边| 交口县| 阳曲县| 故城县| 会理县| 兴和县| 秦安县| 大荔县| 资兴市| 繁峙县| 黄浦区| 伊金霍洛旗| 和静县| 瓦房店市| 石楼县| 重庆市| 双辽市| 光泽县|