[发明专利]使用GPU硬件的TLD视频运动目标跟踪方法

说明书

本发明公开了一种使用GPU硬件的TLD视频运动目标跟踪方法，解决了现有技术跟踪性能不高和不具有实时处理能力的问题。本发明实现的步骤：(1)获取灰度图像；(2)判断灰度图像是否是待跟踪视频中的第1帧图像；(3)确定初始运动目标位置矩形框；(4)获得灰度图像元；(5)追踪灰度图像元特征点；(6)筛选灰度图像的图像元；(7)对灰度图像的图像元滤波；(8)确定运动目标位置矩形框；(9)训练分类器；(10)判断是否加载完待跟踪视频的所有帧图像；(11)结束目标跟踪。本发明可用在通用计算机上实现对视频中的运动目标进行实时跟踪。

技术领域

本发明属于计算机技术领域，更进一步涉及计算机视频目标跟踪技术领域中的一种使用计算机图形处理器GPU(Graphics Processing Unit)硬件的追踪学习检测TLD(Tracking-Learning-Detection)视频运动目标跟踪方法。本发明可以实现对追踪学习检测TLD(Tracking-Learning-Detection)视频运动目标跟踪算法的加速，可在通用计算机上实现对视频中的运动目标进行实时跟踪。

背景技术

具有高速、高性能的目标跟踪方法是计算机视觉领域的核心技术。目前的目标跟踪方法分为两类：一类是基于特征匹配的跟踪方法，该方法主要是构建能够代表目标的特征，然后通过特征间的匹配度来判断目标的位置；另一类是基于目标与背景分离的跟踪方法，该方法运用机器学习的方法学习一个能够分离目标与背景的分类器，学习过程一般为在线训练过程，通过学习到的分类器来判断目标位置。相比之下，前者具有计算简单，但对具有光照、遮挡、尺度等因素变化的情况不能很好地处理。后者在一定程度上能够解决前者遇到的问题，而具有较高的鲁棒性，但其计算复杂度较高。

西北农林科技大学在其申请的专利文献“一种基于全局搜索的实时分布场目标跟踪方法”(申请日：2014年6月26日，申请号：201410298728.7，公开号：CN 104036528A)中公开了一种基于特征匹配的跟踪方法。该方法将目标的分布场作为目标模型，在计算候选区域分布场与目标模型相关系数矩阵时，借助二维傅里叶变换的良好性质，将局部范围的搜索扩大到全局范围的搜索，并且保证了很高的处理速度，具有实时跟踪视频中运动目标的能力。但是，该方法仍然存在的不足之处是，由于视频中运动目标被遮挡和光照变化造成的鲁棒性降低，导致跟踪视频中运动目标的准确度低。

Sam Hare、Amir Saffari和Philip H.S.Torr在其发表的论文“Struck:Structured Output Tracking with Kernels”(IEEE International Conference onComputer Vision,ICCV 2011,Barcelona,Spain,November 6-13,2011,pages 263–270)中公开提出了一种基于目标与背景分离的Struck目标跟踪方法。该方法采用结构化支持向量机模型，学习一个能区分目标与背景的分类器，通过学习到的分类器来判断目标的位置。该方法虽然具有跟踪准确度较高的优点，在一定程度上克服了传统方法鲁棒性低的问题。但该方法仍然存在的不足之处是，处理速度慢，无法对视频中运动目标进行实时跟踪。

发明内容

本发明的目的在于克服上述现有技术的不足，提供了一种使用GPU硬件的TLD视频运动目标跟踪方法，可实现对视频中的运动目标进行实时跟踪。

实现本发明目的的思路是，针对TLD算法无法实现视频中的运动目标进行实时跟踪的缺陷，使用GPU硬件，针对TLD算法中计算量大的部分进行改进，开发了基于GPU硬件的TLD视频运动目标跟踪系统，达到了在普通PC上对视频中运动目标进行实时跟踪的效果。

实现本发明目的的具体步骤如下：

(1)获取灰度图像：

将待跟踪视频中的任意一帧图像加载到计算机内存后转化为灰度图像；