首页> 中文学位 >基于CUDA的霍夫森林目标跟踪算法研究
【6h】

基于CUDA的霍夫森林目标跟踪算法研究

代理获取

目录

声明

摘要

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 目标跟踪国内外研究现状

1.2.2 GPGPU技术国内外研究现状

1.3 论文研究内容

1.3.1 论文主要工作与贡献

1.3.2 论文结构安排

第二章 随机森林理论

2.1 决策树算法

2.1.1 决策树

2.1.2 决策树属性的选择

2.1.3 决策树的构建

2.1.4 决策树剪枝策略

2.2 随机森林算法

2.2.1 随机森林训练算法

2.2.2 随机森林投票

2.2.3 极端随机森林

2.3 随机森林优势

2.4 随机森林在计算机视觉领域的应用

2.5 本章小结

第三章 基于弱分类器响应的霍夫森林跟踪算法

3.1 特征描述

3.1.1 Lab颜色空间

3.1.2 HOG特征

3.1.3 LBP特征

3.2 霍夫森林算法

3.2.1 构建霍夫森林

3.2.2 使用霍夫森林进行目标检测

3.3 基于弱分类器响应的决策树分裂策略

3.4 基于检测的跟踪方法

3.5 实验结果与分析

3.5.1 实验环境

3.5.2 评价标准

3.5.3 与传统霍夫森林跟踪算法对比

3.5.4 与主流跟踪算法对比

3.6 本章小结

第四章 基于CUDA的霍夫森林算法

4.1 CUDA编程模型

4.1.1 主机和设备

4.1.2 线程层次结构

4.1.3 CUDA硬件架构

4.1.4 存储器层次结构

4.2 CUDA并行程序优化

4.3 基于CUDA的霍夫森林算法

4.3.1 基于CUDA的HOG特征提取实现

4.3.2 基于CUDA的sprit函数实现

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

攻读硕士学位期间发表论文及科研情况

致谢

展开▼

摘要

目标跟踪技术因其在军事、民用等领域广泛的应用前景,一直是计算机视觉领域热门的研究方向之一。但由于现实环境的复杂性,跟踪过程中目标往往容易受到光照变化、外观变化、姿态变化、部分或全部遮挡等因素的影响,这都给跟踪技术的发展带来了极大的困难。
  本文结合随机森林近几年在计算机视觉领域的广泛应用,从多特征融合、CUDA编程技术研究入手,与随机森林算法理论相结合,提出了基于弱分类器响应的霍夫森林跟踪算法,提高了传统随机森林的鲁棒性和准确性。本文完成的主要工作和贡献有:
  一、提出一种基于弱分类器响应的霍夫森林跟踪算法。该算法采用了LBP特征,LBP特征是一种可以用来表征纹理信息的特征描述算子,在现实世界中,很多图片的纹理信息是非常重要的;并且在霍夫森林的训练阶段,设计并提出了一种新的分裂策略,在原始的霍夫森林训练阶段,原有决策函数只随机选取两个点所在位置的像素值进行比较,这样代表的信息是不够的,所以考虑使用能够表达更多信息的Harr-like特征响应值来代替,这样能获得所选取点邻域附近更多的信息。
  二、实现了基于CUDA的霍夫森林跟踪算法。通过利用CUDA并行编程技术来构建霍夫森林,实验结果表明,CUDA技术有效地提高了训练森林的速度,达到了较高的加速比。
  将本文提出的基于CUDA的霍夫森林目标跟踪算法应用于单目标跟踪,采用通用公开的单目标跟踪测试集进行测试,并与近几年提出的效果较好、比较有代表性的五种单目标跟踪算法(Frag、MIL、IVT、PN、VTD)进行对比,实验表明本文提出的算法在平均中心位置误差上优于其他五种算法,能实现准确鲁棒地跟踪目标。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号