[发明专利]基于多核DSP的KLT运动目标跟踪算法的实现方法

说明书

技术领域

本发明属于红外目标搜索跟踪技术领域，特别是一种具体属于运动目标实时跟踪领域。

背景技术

运动目标的检测、跟踪是数字图像处理技术的一个重要部分。它包含了模式识别、计算机视觉、视频信号处理等多个学科内容，对该技术的应用也是日益增多。最近几年，人们在运动目标的检测和跟踪上不断开发新的算法，但是由于算法的计算量上和硬件平台的处理速度的约束，使得运动目标跟踪的两个关键性能指标：实时性与准确度的平衡难以掌握。为了实现运动目标跟踪系统中的实时性要求，则需要采取一些措施来提高算法的运算处理速度，一是在算法上进行优化，二是在硬件系统上进行改善。

目前运动目标跟踪的算法很多，如粒子滤波（pf）、meanshift跟踪、以及KLT跟踪或叫Lucas光流法，这些方法各自有各自的优点，对于粒子滤波而言，它能够比较好的在全局搜索到最优解，但其求解速度相对较慢，由于其是基于颜色直方图打计算，所以对相同颜色东西不太能够区别，meanshift跟踪很容易陷入局部最优，但速度还是挺快。KLT方法在跟踪方面表现的也不错，具有很强的抗干扰能力，特别在实时计算速度上。1981年，Kannde和Lucas提出了基于特征点的跟踪算法（1. Jianbo Shi, Carlo Tomasi, Good Features to Track, IEEE Conference on Computer Vision and Pattern Recognition, 1994, 6.），后来Lucas和Tomasi对该算法进行了扩展、完善(2.Tiziano Tommasini, Andrea Fusiello, Emanuele Trucco etc., Making Good Features Track Better,Proc. IEEE Int. Conf. on Computer Vision and Pattern Recognition, 1998(6):178~183.)。KLT特征点跟踪算法是对跟踪目标材质纹理丰富的“角落点”进行跟踪，因此具有很强的抗干扰性，可跟踪性好，实际应用也证实了这一特点。尽管KLT特征点跟踪算法计算适中，但如果用软件在现有的硬件平台上实现，也很难达到实时要求。KLT算法在GPU上实现运算速度有所提高，但是基于成本的考虑，要广泛的应用还存在一定的难度(3.Sudipta N Sinba,Janmichael Frahm,Marc Pollefeys,et al.GPU-based video feature tracking and matching:TR 06-012 [R].University of North Carolina,USA,2006.)。Sudipta N(4.Sudipta N. Sinha, Jan-Michael Frahm etc., GPU-based Video Fearure Tracking and Matching,Department of Computer Science, UNC Chapel Hill, Technical Report TR 06-012, 2006, 5.)等在P-IV 3GHz CPU计算机上对1024*768大小的图片进行KLT跟踪，计算花费时间如下表所示：

表一.特征点数对应的计算花费时间

特征点数（个）平均每帧花费的时间（ms）1005004005507506001000645