基于gpu的交替霍夫森林实时目标跟踪方法
【技术领域】
[0001] 本发明涉及图像处理，尤其是涉及可用于智能监控、目标跟踪和人机交互等领域 的基于GPU的交替霍夫森林实时目标跟踪方法。
【背景技术】
[0002] 视觉目标跟踪是计算机视觉领域中的一项重要并且复杂的研究内容，经过多年的 研究已成为计算机视觉领域中的研究热点之一。视觉目标跟踪是指对视频序列中的特定 目标进行定位并获取其运动参数，然后对其姿态进行估计。目标跟踪在许多领域都具有非 常广泛的应用，这些领域包括目标自动检测、目标监控、目标活动分析和人机交互领域等， 广泛应用于工厂、学校、交通、医院、银行等场所。智能视频监控系统是以目标跟踪为基础， 在获取目标的位置和运动参数之后的根据实际应用需要进行更进一步的事件检测的智能 系统。虽然目标跟踪的研究工作在近年来取得了较大的进展，但由于被跟踪目标的运动轨 迹的突变、形状变化、尺寸变化、外观变化、背景干扰和光照变化等因素的影响，目标跟踪的 研究工作仍然具有相当大的挑战性。大量有关目标跟踪的论文被发表在国际重要期刊和 国际重要会议上，这些国际重要期刊包括IEEE Transactions on Pattern Analysis and Machine Intelligence、IEEE Transactions on Image Processing、IEEE Transactions on Medical Imaging、Computer Vision and Image Understanding 和 Pattern Recognition 等，国际重要会议包括ICCV、CVPR、ICIP和ECCV等。迄今为止，目标跟踪算法多种多样，已 经有许多文献对目标跟踪算法进行了分类。由于分类标准不同，目标跟踪算法的分类结果 也不尽相同。现如今比较全面的分类方法是将目标跟踪分为四类：基于区域的目标跟踪、基 于特征的目标跟踪、基于模型的目标跟踪和基于变形模板的目标跟踪。
[0003] 在机器学习算法诸多算法中，随机森林是其中一种性能优越的分类算法。随机森 林算法虽然是一个相对简单的学习算法，但是该算法却表现出许多令人满意的优越特性。 首先，随机森林具有较快的训练速度和检测速度，算法对噪声有较好的鲁棒性；其次，该算 法是天生的多分类算法；第三，随机森林算法还具有并行处理的特性，同时该算法能够很好 地处理高维数据。在大量的分类和回归任务中，和其它的机器学习算法相比，比如SVM算法 和Boosting算法，随机森林算法都表现出非常优越的特性。随机森林算法广泛应用于计算 机视觉领域，应用领域包括目标识别、语义分割、和数据聚类等。因此，对随机森林算法进行 深入地研究具有重要的科研意义。
[0004] GPU(Graphics Process Unit)在计算机硬件中被称作图形处理器，人们把在GPU 上的通用处理称为GPGPU(General_purpuse processing on the GPU)。由于GPU的广泛普 及和其计算速度远远优于CPU，GPGPU逐渐成为一个热门的研究领域。在过去几年里，GPU有 了突飞猛进的发展，其在浮点计算方面具有非常优越的特性，与当今性能最优越的CPU相 比，GPU依然具有计算速度快的优势。GPU具有成千上万个核，这些核的组织结构特别适合 并行计算。Grauer-Gray S等指出有许多算法在GPU上的运行速度都优越于其在CPU上的 运行速度。现如今许多计算密集型任务已经使CPU不堪重负，如果能将一个巨大的计算任 务分解为并行处理的子任务并交给GPU来处理，将在很大程度上提高运算速度，同时也会 减轻CPU的计算压力。由于直接在GPU上进行编程需要程序员有一定的硬件基础，程序员 必须了解GPU的结构和运行原理，因此给程序员带来了极大的困难。近几年，NVIDIA公司推 出了 CUDA，程序员可以方便地使用CUDA C语言在GPU上进行编程，这使得大量的并行任务 可以在GPU设备端运行，极大地提高了运行速度。在计算机视觉领域还有许多算法无法实 现实时处理，因此，采用CUDA编程，将适合并行计算的计算机视觉算法在GPU中快速实现， 从而能够满足任务的实时性需要。
[0005] 中国专利CN104680558A公开一种使用GPU硬件加速的Struck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。步骤：（1)获取灰度图像；（2) 判断加载的图像是否为第1帧图像；（3)初始化跟踪目标的位置矩形框；(4)提取灰度图像 的所有测试样本的特征；（5)确定跟踪目标的位置矩形框；(6)提取灰度图像的所有训练样 本的特征；（7)初始化训练样本的权值和梯度；(8)获得和更新支持样本的权值、梯度；(9) 判断是否加载完所有图像；（10)结束目标跟踪。可用在通用计算机上实现对视频中的目标 进行实时跟踪。
【发明内容】
[0006] 本发明的目的在于针对目标跟踪中存在的光照变化、背景干扰、遮挡和实时性低 等问题，提供可实现稳定、鲁棒的实时目标跟踪的一种基于GPU的交替霍夫森林实时目标 跟踪方法。
[0007] 本发明包括如下步骤：
[0008] (1)从标准视频库中选取一个待测试的视频序列M On1，…，mN);
[0009] (2)以视频序列MOn1,…，mN)为依据，提取训练样本集读}匕，其中N为样本总数， 每个训练样本均包含32个特征通道；
[0010] (3)对每个训练样本PJt予权值4 ,并初始化为
[0011] (4)设定交替霍夫森林中随机树的数量为T，森林的最大深度为D ;并初始化根节 占.
[0012] (5)采用广度优先的构建策略构建交替霍夫森林，在构建过程中引入全局损失函 数；在每层节点训练完成之后，对训练样本的权值进行更新并最小化全局损失函数；
[0013] (6)在节点分裂过程中采用基于Haar-Iike弱分类器响应的分裂策略；在每次分 裂时，均随机从搜索区域中选取两个Haar响应值进行比较；
[0014] (7)依据交替霍夫森林的大小在GPU中分配纹理内存，然后分别将交替霍夫森林 的分裂节点和叶子节点拷入GPU的纹理内存中；
[0015] (8)在目标跟踪的初始阶段，手工确定第一帧图像叫的目标区域ri和目标中心 〇1， 并确定搜索半径r ;
[0016] (9)对于每一帧待测试的图像Hi1Q彡2)，对其进行特征提取，包含K个特征通道， 然后计算每个特征通道的积分图，得到测试样本I1= (f1; C1);其中C1为测试样本的未知类 另|J，(f Λ f?，…，f·/)为测试样本的积分图特征；
[0017] (10)依据特征通道积分图的大小，在GPU中分配纹理内存，并将测试样本I1拷入 GPU纹理内存中；
[0018] (11)在I1中确定搜索区域q y qi为以o i i为中心，以2r为边长的正方形区域；
[0019] (12)依据搜索区域qi的大小设置block和grid的宽和高，设置kernel函数的线 程配置参数，最大程度的利用GPU的多核多线程特性，并行地对搜索区域中的目标进行检 测；
[0020] (13)从交替霍夫森林中每棵树的根结点开始，在GPU中对样本1通行并行测试； 若每个线程负责的分类窗口为Px (X = 1…G)，其中G为测试样本中滑动窗口的总数；T棵 树对分类窗口 Px的测试结果为：
[0022] 其中，pt(h(c，X，s) |PX)为第t棵树对分类窗口 Px的预测信息；所有线程依据测试 结果F (Px)并行地在置信图进行霍夫投票，最终得到关于目标中心位置的置信图，其大小同 搜索区域Q1相同；
[0023] (14)将GPU中关于目标中心位置的置信图拷入CPU中；
[0024] (15)在置信图中进行搜索，找到像素值最大的点O1，作为图像叫中目标的中心；
[0025] (16)依据中心〇1和图像Hill中的目标区域 Γι i，确定Hi1中的目标区域Γι，即完成 对图像叫中目标的跟踪；
[0026] (17)重复步骤（9)~（16)，直到完成对整个视频序列的目标跟踪；
[0027] 在步骤（2)中，所述提取训练样本集丨/^二的具体方法可为：
[0028] (2a)从给定的包含类别标签的图像中提取只包含目标的区域，即图像的目标区 域；
[0029] (2b)对图像目标区域进行特征提取，包括Lab特征、HOG特征和LBP特征；
[0030] (2c)计算从每个目标区域提取的特征图像的积分图；
[0031] (2d)利用随机采样的方式，在积分图像中随机提取MXM的图像块集合（P1 = (I1, Cl，山)}，P1为图像块，I i为积分图的特征，c i为该图像块的类别，d i为从目标区域中心 到图像块中心的偏移向量。其中I1= (I Λ ΙΛ ...，I/)，包含F个不同的特征通道；由于负 样本不包含目标，其偏移向量(Ii= 0。
[0032] 在步骤（5)中，所述采用广度优先的策略构建交替霍夫森林的具体方法可为：
[0033]