[发明专利]基于GPU的交替霍夫森林实时目标跟踪方法

说明书

基于GPU的交替霍夫森林实时目标跟踪方法。1)依据待测试的视频序列，提取训练样本集；2)设定交替霍夫森林中随机树数量和森林最大深度；3)对训练样本赋予不同权值；4)初始化每棵随机树的根节点；5)构建交替霍夫森林；6)在节点分裂时采用分裂策略；7)将交替霍夫森林拷入GPU的纹理内存中；8)手工确定视频中第一帧图像的目标区域和中心，并设定搜索半径；9)在GPU中利用构建好的交替霍夫森林对后续帧进行检测，得到关于目标中心位置的置信图；10)将置信图拷入CPU内存中；11)利用置信图并结合上一帧图像的目标区域和中心确定当前帧中目标的位置；12)重复步骤9和10，直到完成对视频序列中所有帧的目标跟踪。

技术领域

本发明涉及图像处理，尤其是涉及可用于智能监控、目标跟踪和人机交互等领域的基于GPU的交替霍夫森林实时目标跟踪方法。

背景技术

视觉目标跟踪是计算机视觉领域中的一项重要并且复杂的研究内容，经过多年的研究已成为计算机视觉领域中的研究热点之一。视觉目标跟踪是指对视频序列中的特定目标进行定位并获取其运动参数，然后对其姿态进行估计。目标跟踪在许多领域都具有非常广泛的应用，这些领域包括目标自动检测、目标监控、目标活动分析和人机交互领域等，广泛应用于工厂、学校、交通、医院、银行等场所。智能视频监控系统是以目标跟踪为基础，在获取目标的位置和运动参数之后的根据实际应用需要进行更进一步的事件检测的智能系统。虽然目标跟踪的研究工作在近年来取得了较大的进展，但由于被跟踪目标的运动轨迹的突变、形状变化、尺寸变化、外观变化、背景干扰和光照变化等因素的影响，目标跟踪的研究工作仍然具有相当大的挑战性。大量有关目标跟踪的论文被发表在国际重要期刊和国际重要会议上，这些国际重要期刊包括IEEE Transactions on Pattern Analysis andMachine Intelligence、IEEE Transactions on Image Processing、IEEE Transactionson Medical Imaging、Computer Vision and Image Understanding和PatternRecognition等，国际重要会议包括ICCV、CVPR、ICIP和ECCV等。迄今为止，目标跟踪算法多种多样，已经有许多文献对目标跟踪算法进行了分类。由于分类标准不同，目标跟踪算法的分类结果也不尽相同。现如今比较全面的分类方法是将目标跟踪分为四类：基于区域的目标跟踪、基于特征的目标跟踪、基于模型的目标跟踪和基于变形模板的目标跟踪。

在机器学习算法诸多算法中，随机森林是其中一种性能优越的分类算法。随机森林算法虽然是一个相对简单的学习算法，但是该算法却表现出许多令人满意的优越特性。首先，随机森林具有较快的训练速度和检测速度，算法对噪声有较好的鲁棒性；其次，该算法是天生的多分类算法；第三，随机森林算法还具有并行处理的特性，同时该算法能够很好地处理高维数据。在大量的分类和回归任务中，和其它的机器学习算法相比，比如SVM算法和Boosting算法，随机森林算法都表现出非常优越的特性。随机森林算法广泛应用于计算机视觉领域，应用领域包括目标识别、语义分割、和数据聚类等。因此，对随机森林算法进行深入地研究具有重要的科研意义。