基于CUDA的霍夫森林目標(biāo)跟蹤算法研究.pdf

1、目標(biāo)跟蹤技術(shù)因其在軍事、民用等領(lǐng)域廣泛的應(yīng)用前景，一直是計(jì)算機(jī)視覺(jué)領(lǐng)域熱門的研究方向之一。但由于現(xiàn)實(shí)環(huán)境的復(fù)雜性，跟蹤過(guò)程中目標(biāo)往往容易受到光照變化、外觀變化、姿態(tài)變化、部分或全部遮擋等因素的影響，這都給跟蹤技術(shù)的發(fā)展帶來(lái)了極大的困難。
　　本文結(jié)合隨機(jī)森林近幾年在計(jì)算機(jī)視覺(jué)領(lǐng)域的廣泛應(yīng)用，從多特征融合、CUDA編程技術(shù)研究入手，與隨機(jī)森林算法理論相結(jié)合，提出了基于弱分類器響應(yīng)的霍夫森林跟蹤算法，提高了傳統(tǒng)隨機(jī)森林的魯棒性和準(zhǔn)確性

2、。本文完成的主要工作和貢獻(xiàn)有:
　　一、提出一種基于弱分類器響應(yīng)的霍夫森林跟蹤算法。該算法采用了LBP特征，LBP特征是一種可以用來(lái)表征紋理信息的特征描述算子，在現(xiàn)實(shí)世界中，很多圖片的紋理信息是非常重要的;并且在霍夫森林的訓(xùn)練階段，設(shè)計(jì)并提出了一種新的分裂策略，在原始的霍夫森林訓(xùn)練階段，原有決策函數(shù)只隨機(jī)選取兩個(gè)點(diǎn)所在位置的像素值進(jìn)行比較，這樣代表的信息是不夠的，所以考慮使用能夠表達(dá)更多信息的Harr-like特征響應(yīng)值來(lái)代替，這

3、樣能獲得所選取點(diǎn)鄰域附近更多的信息。
　　二、實(shí)現(xiàn)了基于CUDA的霍夫森林跟蹤算法。通過(guò)利用CUDA并行編程技術(shù)來(lái)構(gòu)建霍夫森林，實(shí)驗(yàn)結(jié)果表明，CUDA技術(shù)有效地提高了訓(xùn)練森林的速度，達(dá)到了較高的加速比。
　　將本文提出的基于CUDA的霍夫森林目標(biāo)跟蹤算法應(yīng)用于單目標(biāo)跟蹤，采用通用公開(kāi)的單目標(biāo)跟蹤測(cè)試集進(jìn)行測(cè)試，并與近幾年提出的效果較好、比較有代表性的五種單目標(biāo)跟蹤算法(Frag、MIL、IVT、PN、VTD)進(jìn)行對(duì)比，實(shí)驗(yàn)表