本文關(guān)鍵詞：基于GPU的目標(biāo)跟蹤算法研發(fā)與優(yōu)化

  更多相關(guān)文章： 目標(biāo)跟蹤 并行計(jì)算 RPT GPU

【摘要】：目標(biāo)跟蹤是智能視頻分析研究領(lǐng)域內(nèi)備受關(guān)注的關(guān)鍵課題之一,在安全監(jiān)測(cè)、交通監(jiān)控、視頻摘要、人機(jī)交互、軍事、車輛導(dǎo)航等應(yīng)用領(lǐng)域都具有極其重要的作用,但面對(duì)復(fù)雜、多變的自然場(chǎng)景,在兼顧魯棒性和計(jì)算效率上仍面臨挑戰(zhàn)。本論文對(duì)比分析了主流目標(biāo)跟蹤算法,選擇基于RPT目標(biāo)跟蹤算法進(jìn)行算法研發(fā)。通過正態(tài)分布概率模型構(gòu)建目標(biāo)分塊,再?gòu)哪繕?biāo)分塊的灰度圖像中提取31維FHOG特征,利用循環(huán)矩陣和傅里葉變換的特性,將計(jì)算轉(zhuǎn)換至頻域進(jìn)行,而后通過核相關(guān)計(jì)算和閉式解模型對(duì)目標(biāo)分塊進(jìn)行快速定位,并訓(xùn)練和更新模型,最后利用所有目標(biāo)分塊的跟蹤和運(yùn)動(dòng)信息進(jìn)行投票、篩選,達(dá)到目標(biāo)跟蹤的目的。為了提高目標(biāo)跟蹤算法的計(jì)算效率,分析了算法實(shí)現(xiàn)中各模塊的執(zhí)行時(shí)間及可并行性,在GPU平臺(tái)上利用CUDA技術(shù),針對(duì)執(zhí)行時(shí)間較多的FHOG特征提取、核相關(guān)計(jì)算、模型訓(xùn)練與更新等模塊,設(shè)計(jì)相應(yīng)的并行計(jì)算優(yōu)化方法,實(shí)現(xiàn)了基于GPU的目標(biāo)跟蹤算法并行優(yōu)化。通過實(shí)驗(yàn)表明,本論文設(shè)計(jì)的GPU并行計(jì)算優(yōu)化方法在維持跟蹤準(zhǔn)確度的同時(shí)提高了跟蹤的執(zhí)行速度,與CPU串行實(shí)現(xiàn)相比,GPU優(yōu)化實(shí)現(xiàn)的加速比最高可達(dá)6.66倍,具有較好的工程應(yīng)用價(jià)值。
【關(guān)鍵詞】：目標(biāo)跟蹤 并行計(jì)算 RPT GPU
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 致謝4-5
• 摘要5-6
• ABSTRACT6-11
• 1 緒論11-17
• 1.1 研究背景和意義11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 目標(biāo)跟蹤研究現(xiàn)狀12-14
• 1.2.2 GPU在視頻圖像領(lǐng)域的現(xiàn)狀14-15
• 1.3 論文研究?jī)?nèi)容15-16
• 1.4 論文組織結(jié)構(gòu)16-17
• 2 相關(guān)技術(shù)17-33
• 2.1 目標(biāo)跟蹤概述17-27
• 2.1.1 目標(biāo)跟蹤概念17-18
• 2.1.2 目標(biāo)特征模型18-24
• 2.1.3 運(yùn)動(dòng)模型24-26
• 2.1.4 目標(biāo)定位策略26-27
• 2.2 CUDA體系概述27-32
• 2.2.1 GPU硬件設(shè)備27
• 2.2.2 CUDA軟件體系27-28
• 2.2.3 CUDA編程模型28-30
• 2.2.4 CUDA線程組織30-31
• 2.2.5 CUDA存儲(chǔ)結(jié)構(gòu)31-32
• 2.3 本章小結(jié)32-33
• 3 目標(biāo)跟蹤算法原理分析與研發(fā)33-50
• 3.1 主流目標(biāo)跟蹤算法對(duì)比分析33-34
• 3.2 KCF原理分析34-38
• 3.2.1 嶺回歸34-36
• 3.2.2 引入核函數(shù)36-37
• 3.2.3 快速定位37
• 3.2.4 核相關(guān)計(jì)算37-38
• 3.3 RPT原理分析38-43
• 3.3.1 序貫蒙特卡洛框架38-40
• 3.3.2 可跟蹤分塊的置信度40-41
• 3.3.3 目標(biāo)分塊的觀測(cè)置信度41-42
• 3.3.4 Hough投票42-43
• 3.4 標(biāo)跟蹤算法研發(fā)43-49
• 3.4.1 KCF算法研發(fā)43-47
• 3.4.2 RPT算法研發(fā)47-49
• 3.5 本章小結(jié)49-50
• 4 基于GPU的目標(biāo)跟蹤算法并行優(yōu)化50-63
• 4.1 RPT算法執(zhí)行時(shí)間的實(shí)驗(yàn)與分析50-54
• 4.2 FHOG特征提取的并行優(yōu)化54-57
• 4.3 核相關(guān)計(jì)算的并行優(yōu)化57-60
• 4.3.1 線性核相關(guān)計(jì)算并行優(yōu)化57-58
• 4.3.2 高斯核相關(guān)計(jì)算并行優(yōu)化58-60
• 4.4 KCF快速定位的并行優(yōu)化60-61
• 4.5 模型訓(xùn)練與更新的并行優(yōu)化61
• 4.6 目標(biāo)分塊KCF跟蹤的優(yōu)化61-62
• 4.7 本章小結(jié)62-63
• 5 實(shí)驗(yàn)與分析63-74
• 5.1 實(shí)驗(yàn)環(huán)境63-64
• 5.2 KCF跟蹤算法各模塊對(duì)比64-68
• 5.2.1 FHOG特征提取64
• 5.2.2 核相關(guān)計(jì)算64-66
• 5.2.3 特征變換66-67
• 5.2.4 快速定位67
• 5.2.5 模型更新67-68
• 5.3 RPT跟蹤算法整體對(duì)比68-72
• 5.3.1 執(zhí)行時(shí)間69-70
• 5.3.2 準(zhǔn)確度70-72
• 5.4 本章小結(jié)72-74
• 6 總結(jié)與展望74-76
• 6.1 總結(jié)74-75
• 6.2 展望75-76
• 參考文獻(xiàn)76-81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 程帥;孫俊喜;曹永剛;趙立榮;;增量深度學(xué)習(xí)目標(biāo)跟蹤[J];光學(xué)精密工程;2015年04期

2 齊美彬;陸磊;楊勛;楊艷芳;蔣建國(guó);;基于自適應(yīng)壓縮特征選擇的實(shí)時(shí)目標(biāo)跟蹤算法[J];模式識(shí)別與人工智能;2015年04期

3 閆鈞華;杭誼青;許俊峰;儲(chǔ)林臻;;基于CUDA的高分辨率數(shù)字視頻圖像配準(zhǔn)快速實(shí)現(xiàn)[J];儀器儀表學(xué)報(bào);2014年02期

4 賈海鵬;張?jiān)迫?徐建良;;基于OpenCL的圖像積分圖算法優(yōu)化研究[J];計(jì)算機(jī)科學(xué);2013年02期

5 袁國(guó)武;徐丹;;一種結(jié)合了紋理和顏色的運(yùn)動(dòng)目標(biāo)跟蹤算法[J];計(jì)算機(jī)應(yīng)用與軟件;2011年11期

6 孫偉平;向杰;陳加忠;余勝生;;基于GPU的粒子濾波并行算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

7 吳鑫;張建奇;劉德連;黃曦;何國(guó)經(jīng);;CUDA架構(gòu)下高效紅外圖像背景預(yù)測(cè)方法[J];西安電子科技大學(xué)學(xué)報(bào);2011年06期

8 李培華;;一種新穎的基于顏色信息的粒子濾波器跟蹤算法[J];計(jì)算機(jī)學(xué)報(bào);2009年12期

9 程建;周越;蔡念;楊杰;;基于粒子濾波的紅外目標(biāo)跟蹤[J];紅外與毫米波學(xué)報(bào);2006年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 劉樂元;面向有限資源平臺(tái)人機(jī)交互的人手檢測(cè)與跟蹤[D];華中科技大學(xué);2012年

，

本文編號(hào)：793058