[发明专利]基于GPU的交替霍夫森林实时目标跟踪方法有效
申请号: | 201510469274.X | 申请日: | 2015-08-04 |
公开(公告)号: | CN105184220B | 公开(公告)日: | 2018-06-29 |
发明(设计)人: | 戴平阳;游乔贝;韩少华;谢怡 | 申请(专利权)人: | 厦门大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 厦门南强之路专利事务所(普通合伙) 35200 | 代理人: | 马应森 |
地址: | 361005 *** | 国省代码: | 福建;35 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 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。 | ||
搜索关键词: | 森林 置信 目标区域 实时目标 随机树 帧图像 构建 目标中心位置 对视频序列 训练样本集 目标跟踪 视频序列 纹理内存 训练样本 中心确定 初始化 根节点 后续帧 分裂 跟踪 视频 搜索 测试 检测 重复 赋予 | ||
【主权项】:
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,…,mN);(2)以视频序列M(m1,…,mN)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Pi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mi,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Ii=(fi,ci);其中ci为测试样本的未知类别,fi=(fi1,fi2,...,fiK)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Ii拷入GPU纹理内存中;(11)在Ii中确定搜索区域qi,qi为以oi‑1为中心,以2r为边长的正方形区域;(12)依据搜索区域qi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Ii进行并行测试;若每个线程负责的分类窗口为PX,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Px的测试结果为:其中,pt(h(c,x,s)|Px)为第t棵树对分类窗口Px的预测信息;所有线程依据测试结果F(Px)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qi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oi,作为图像mi中目标的中心;(16)依据中心oi和图像mi‑1中的目标区域ri‑1,确定mi中的目标区域ri,即完成对图像mi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。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于厦门大学,未经厦门大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201510469274.X/,转载请声明来源钻瓜专利网。