[发明专利]并行化实时无标记人体运动跟踪方法

说明书

技术领域

本发明涉及一种视觉和图像处理相关技术，尤其是涉及一种并行化实时无标记人体运动跟踪方法。

背景技术

基于视觉信息的三维人体运动跟踪，是计算机视觉领域的重要且富有挑战性的研究方向，相关技术具有广阔的应用前景，主要应用包括：虚拟现实，电影动画，智能监控，高级人机交互，视频传输和压缩以及用于体育和医学方面的运动分析。传统的基于粒子滤波(particle filter)的方法能够跟踪高维人体铰接三维模型的运动，但是由于对粒子似然函数的计算密集而且耗时，时间开销一直很大，因此无法用于实际应用。随着计算机硬件系统的不断升级和计算机视觉理论的继续完善，目前，建立应用级的人体运动跟踪系统已经成为极具商业前景的研究重点，而异构计算(heterogeneous computing)在计算机视觉中的普及应用为实时、快速人体运动跟踪系统的建立提供了契机。

人体运动跟踪的主要目标是从图像和视频信息中恢复和估计以参数表示的人体姿态，求解真实人体在三维世界坐标系中的位置和姿态参数。M.Isard等人在Visual tracking by stochastic propagation of conditional density(通过条件密度随机扩散的视觉跟踪)中提出了粒子滤波(particle filter)的方法，提供了用于人体运动跟踪的鲁棒贝叶斯框架。J.Deutscher等人在Articulated Body Motion Capture by Annealed Particle Filtering(通过退火粒子滤波的铰接人体运动跟踪)中提出了退火粒子滤波算法，它将模拟退火的过程纳入粒子滤波的框架，能够跟踪高维人体三维铰接模型的运动。但是，作为一种粒子滤波算法的变体，它不可避免地每一步都要对每个粒子计算似然函数，这也导致它的计算开销很大(Matlab实现45秒钟每帧)。

由于人体三维运动重建问题的复杂性，使得相关算法的计算复杂度较高，在CPU上运算会遇到较大的瓶颈，而异构计算是很好的选择。异构框架包括主处理器(比如传统的CPU)和附属处理器(attached processor)，附属处理器是包含成千上万的轻量级核心的专属流加速器，比如图形处理单元(Graphic Processing Units)和可编程门阵列(Field Programmable Gate Arrays)。异构计算的主要目的是结合主处理器的通用计算能力和附属处理器的高度密集计算能力对具体应用进行加速。开放计算语言(Open Computing Language)是可以在不同类型的硬件上执行的异构编程框架。当前，异构计算在计算机视觉学术界使用日益广泛。最近的一个是Jan-Michael Frahm教授等人在Building Rome on a Cloudless Day(万里无云的一天重建罗马城)中的工作，他们利用网上得到的大量图片(百万级)，通过GPU加速技术，一天之内在一台工作站上实现了对罗马城的三维数字重建。值得注意的是，之前SameerAgarwal等人在Building Rome in a day(一天重建罗马城)上发表的罗马城重建的成果则是利用了云计算技术，其使用了62台用于云计算的计算机，而处理的图片数目仅仅是150000，比上述的图片处理量小了一个数量级。由此可以明显的看到异构计算对计算机视觉技术的巨大推动作用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够利用普通民用计算机上的异构计算资源、实时准确的进行三维人体运动跟踪、而且当粒子数目或视角数目增多时计算时间基本保持恒定、具有很好的扩展性的并行化实时无标记人体运动跟踪方法。

本发明的目的可以通过以下技术方案来实现：

一种并行化实时无标记人体运动跟踪方法，其特征在于，包括以下步骤：

步骤S1：在主处理器上根据初始人体姿态产生初始粒子并读取已经得到的边缘和前景数据；

步骤S2：将N_view个边缘和前景数据传输到附属处理器上；

步骤S3：将N_p个粒子数据传输到附属处理器上；

步骤S4：在附属处理器上快速并行计算每个粒子的边缘和前景似然函数；

步骤S5：在主处理器上计算粒子权重；

步骤S6：在主处理器上进行粒子扩散；

步骤S7：在附属处理器上并行快速地进行粒子选择；

步骤S8：判断粒子数目是否达到设定值，若为是，执行步骤S9，否则，返回步骤S6；