基于稀疏表示的目標跟蹤算法及其CUDA實現(xiàn).pdf

1、隨著計算機性能的巨大進步和計算機視覺理論的長足發(fā)展，目標追蹤技術(shù)在諸如機器人導航，智能監(jiān)控等應用場景得到了越來越廣泛的應用。新的場景意味著新的挑戰(zhàn)。面對目標表觀的復雜變化，目標追蹤的應對策略也越來越復雜，需要不斷地從其他學科和領域汲取營養(yǎng)。
　　稀疏表示和字典學習最初被應用于去噪、尺度提升等的圖像處理問題，隨后被應用于目標追蹤。基于稀疏表示的目標追蹤算法展示了良好的適應圖像表觀變化的能力。與粒子濾波框架相結(jié)合，目標表觀的稀疏分解系

2、數(shù)的稀疏程度和分布可以用于構(gòu)建穩(wěn)健的目標圖像似然度函數(shù)，以抵抗局部遮擋、光照變化等問題所帶來的追蹤誤差。
　　稀疏分解系數(shù)主要使用各種迭代優(yōu)化算法求解，因此計算量大，是其在目標追蹤領域走向?qū)嶋H應用的一大障礙。GPU近年被廣泛地應用于計算密集型問題，獲得極好的效果。NVIDIA公司推出的CUDA編程模型為使用GPU解決通用的計算任務提供了條件。
　　本文在GPU上通過CUDA編程模型實現(xiàn)了基于稀疏表示的目標追蹤算法。使用Spa

3、RSA算法求解區(qū)塊的稀疏編碼，編寫了SpaRSA算法的核函數(shù)，結(jié)合CUBLAS庫，實現(xiàn)了所有圖像區(qū)塊的稀疏編碼。使用alignment-pooling方法求解每個粒子的似然度，并編寫了核函數(shù)。使用序貫KL算法對追蹤結(jié)果的目標子空間進行更新，進而更新區(qū)塊字典。序貫KL算法的矩陣計算部分主要使用CUBLAS庫和CUSOLVER庫實現(xiàn)，編寫了核函數(shù)實現(xiàn)了矩陣運算之外數(shù)據(jù)處理。核心的計算過程全部在GPU上進行，盡量減少了CPU的參與程度。最后，