基于交替霍夫森林的目標跟蹤及GPU實現(xiàn).pdf

1、目標跟蹤是計算機視覺領域的重要研究內容，被廣泛應用于民用和軍用領域，如目標自動檢測、目標監(jiān)控和目標活動分析等。由于光照變化、背景干擾、目標外觀變化、運動模糊和遮擋等因素的影響，目標跟蹤研究面臨著巨大的挑戰(zhàn)，目標跟蹤算法的魯棒性有待提高。
　　隨機森林是一種性能優(yōu)越的機器學習算法，在處理數(shù)據(jù)分類問題時，隨機森林算法具有較高的魯棒性。近幾年基于隨機森林的目標跟蹤逐漸成為研究熱點，雖然隨機森林具有快速檢測的特性，但是由于處理單幀圖像的時

2、間復雜度高，目標跟蹤的實時性依然很低。因此研究快速魯棒的隨機森林目標跟蹤算法具有重要研究意義和應用價值。
　　針對目標跟蹤過程中存在的干擾問題，本文提出了一種基于弱分類器響應的交替霍夫森林目標跟蹤算法。該算法采用廣度優(yōu)先的策略來創(chuàng)建交替霍夫森林。在節(jié)點分裂時采用基于弱分類器響應的分裂策略，與隨機選取圖像像素值進行比較的方法相比，算法的分類策略能夠有效地排除噪聲點的干擾。在交替霍夫森林的創(chuàng)建階段，對訓練樣本賦予權值并引入全局損失函數(shù)

3、，交替的執(zhí)行創(chuàng)建節(jié)點和檢測樣本的過程，在森林生長過程中不斷對樣本的權值進行更新并最小化全局損失函數(shù)，提高了基于隨機森林目標跟蹤算法的魯棒性。實驗結果表明，本文所提算法能夠有效處理遮擋、光照變化、運動模糊和背景干擾等問題。
　　為了提高目標跟蹤的實時性，本文提出了一種基于CUDA的交替霍夫森林實時目標跟蹤算法。算法利用GPU的多核特性和并行計算特性，在跟蹤過程中利用GPU對目標跟蹤候選區(qū)域并行分類，獲得了較高的時間加速比，從而實現(xiàn)了