基于交替霍夫森林的目標(biāo)跟蹤及GPU實(shí)現(xiàn).pdf

1、目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究?jī)?nèi)容，被廣泛應(yīng)用于民用和軍用領(lǐng)域，如目標(biāo)自動(dòng)檢測(cè)、目標(biāo)監(jiān)控和目標(biāo)活動(dòng)分析等。由于光照變化、背景干擾、目標(biāo)外觀變化、運(yùn)動(dòng)模糊和遮擋等因素的影響，目標(biāo)跟蹤研究面臨著巨大的挑戰(zhàn)，目標(biāo)跟蹤算法的魯棒性有待提高。
　　隨機(jī)森林是一種性能優(yōu)越的機(jī)器學(xué)習(xí)算法，在處理數(shù)據(jù)分類(lèi)問(wèn)題時(shí)，隨機(jī)森林算法具有較高的魯棒性。近幾年基于隨機(jī)森林的目標(biāo)跟蹤逐漸成為研究熱點(diǎn)，雖然隨機(jī)森林具有快速檢測(cè)的特性，但是由于處理單幀圖像的時(shí)

2、間復(fù)雜度高，目標(biāo)跟蹤的實(shí)時(shí)性依然很低。因此研究快速魯棒的隨機(jī)森林目標(biāo)跟蹤算法具有重要研究意義和應(yīng)用價(jià)值。
　　針對(duì)目標(biāo)跟蹤過(guò)程中存在的干擾問(wèn)題，本文提出了一種基于弱分類(lèi)器響應(yīng)的交替霍夫森林目標(biāo)跟蹤算法。該算法采用廣度優(yōu)先的策略來(lái)創(chuàng)建交替霍夫森林。在節(jié)點(diǎn)分裂時(shí)采用基于弱分類(lèi)器響應(yīng)的分裂策略，與隨機(jī)選取圖像像素值進(jìn)行比較的方法相比，算法的分類(lèi)策略能夠有效地排除噪聲點(diǎn)的干擾。在交替霍夫森林的創(chuàng)建階段，對(duì)訓(xùn)練樣本賦予權(quán)值并引入全局損失函數(shù)

3、，交替的執(zhí)行創(chuàng)建節(jié)點(diǎn)和檢測(cè)樣本的過(guò)程，在森林生長(zhǎng)過(guò)程中不斷對(duì)樣本的權(quán)值進(jìn)行更新并最小化全局損失函數(shù)，提高了基于隨機(jī)森林目標(biāo)跟蹤算法的魯棒性。實(shí)驗(yàn)結(jié)果表明，本文所提算法能夠有效處理遮擋、光照變化、運(yùn)動(dòng)模糊和背景干擾等問(wèn)題。
　　為了提高目標(biāo)跟蹤的實(shí)時(shí)性，本文提出了一種基于CUDA的交替霍夫森林實(shí)時(shí)目標(biāo)跟蹤算法。算法利用GPU的多核特性和并行計(jì)算特性，在跟蹤過(guò)程中利用GPU對(duì)目標(biāo)跟蹤候選區(qū)域并行分類(lèi)，獲得了較高的時(shí)間加速比，從而實(shí)現(xiàn)了