[发明专利]基于GPU的交替霍夫森林实时目标跟踪方法

权利要求书

1.基于GPU的交替霍夫森林实时目标跟踪方法，其特征在于包括如下步骤：

(1)从标准视频库中选取一个待测试的视频序列M(m₁,…,m_N)；

(2)以视频序列M(m₁,…,m_N)为依据，提取训练样本集其中N为样本总数，每个训练样本均包含32个特征通道；

(3)对每个训练样本P_i赋予权值并初始化为

(4)设定交替霍夫森林中随机树的数量为T，森林的最大深度为D；并初始化根节点；

(5)采用广度优先的构建策略构建交替霍夫森林，在构建过程中引入全局损失函数；在每层节点训练完成之后，对训练样本的权值进行更新并最小化全局损失函数；

(6)在节点分裂过程中采用基于Haar-like弱分类器响应的分裂策略；在每次分裂时，均随机从搜索区域中选取两个Haar响应值进行比较；

(7)依据交替霍夫森林的大小在GPU中分配纹理内存，然后分别将交替霍夫森林的分裂节点和叶子节点拷入GPU的纹理内存中；

(8)在目标跟踪的初始阶段，手工确定第一帧图像m₁的目标区域r₁和目标中心o₁，并确定搜索半径r；

(9)对于每一帧待测试的图像m_i，其中，i≥2，对其进行特征提取，包含K个特征通道，然后计算每个特征通道的积分图，得到测试样本I_i＝(f_i,c_i)；其中c_i为测试样本的未知类别，f_i＝(f_i¹,f_i²,...,f_i^K)为测试样本的积分图特征；

(10)依据特征通道积分图的大小，在GPU中分配纹理内存，并将测试样本I_i拷入GPU纹理内存中；

(11)在I_i中确定搜索区域q_i，q_i为以o_i-1为中心，以2r为边长的正方形区域；

(12)依据搜索区域q_i的大小设置block和grid的宽和高，设置kernel函数的线程配置参数，最大程度的利用GPU的多核多线程特性，并行地对搜索区域中的目标进行检测；

(13)从交替霍夫森林中每棵树的根结点开始，在GPU中对样本I_i进行并行测试；若每个线程负责的分类窗口为P_X，其中，x＝1,…,G,其中G为测试样本中滑动窗口的总数；T棵树对分类窗口P_x的测试结果为：

其中，p_t(h(c,x,s)|P_x)为第t棵树对分类窗口P_x的预测信息；所有线程依据测试结果F(P_x)并行地在置信图进行霍夫投票，最终得到关于目标中心位置的置信图，其大小同搜索区域q_i相同；

(14)将GPU中关于目标中心位置的置信图拷入CPU中；

(15)在置信图中进行搜索，找到像素值最大的点o_i，作为图像m_i中目标的中心；

(16)依据中心o_i和图像m_i-1中的目标区域r_i-1，确定m_i中的目标区域r_i，即完成对图像m_i中目标的跟踪；

(17)重复步骤(9)～(16)，直到完成对整个视频序列的目标跟踪。