基于稀疏表示的目标跟踪算法及其CUDA实现

摘要

随着计算机性能的巨大进步和计算机视觉理论的长足发展，目标追踪技术在诸如机器人导航，智能监控等应用场景得到了越来越广泛的应用。新的场景意味着新的挑战。面对目标表观的复杂变化，目标追踪的应对策略也越来越复杂，需要不断地从其他学科和领域汲取营养。
　　稀疏表示和字典学习最初被应用于去噪、尺度提升等的图像处理问题，随后被应用于目标追踪。基于稀疏表示的目标追踪算法展示了良好的适应图像表观变化的能力。与粒子滤波框架相结合，目标表观的稀疏分解系数的稀疏程度和分布可以用于构建稳健的目标图像似然度函数，以抵抗局部遮挡、光照变化等问题所带来的追踪误差。
　　稀疏分解系数主要使用各种迭代优化算法求解，因此计算量大，是其在目标追踪领域走向实际应用的一大障碍。GPU近年被广泛地应用于计算密集型问题，获得极好的效果。NVIDIA公司推出的CUDA编程模型为使用GPU解决通用的计算任务提供了条件。
　　本文在GPU上通过CUDA编程模型实现了基于稀疏表示的目标追踪算法。使用SpaRSA算法求解区块的稀疏编码，编写了SpaRSA算法的核函数，结合CUBLAS库，实现了所有图像区块的稀疏编码。使用alignment-pooling方法求解每个粒子的似然度，并编写了核函数。使用序贯KL算法对追踪结果的目标子空间进行更新，进而更新区块字典。序贯KL算法的矩阵计算部分主要使用CUBLAS库和CUSOLVER库实现，编写了核函数实现了矩阵运算之外数据处理。核心的计算过程全部在GPU上进行，尽量减少了CPU的参与程度。最后，通过实验验证了方案的可行性和加速效果。在VOT2016数据集上的几个代表性的测试序列上获得了约50~60fps（512个粒子）和80~100fps（256个粒子）的处理速度。实验表明，本文方案在获得良好的追踪效果的同时，对GPU硬件也有较高的利用效率。用于稀疏编码的核函数占总体耗时的95.8％，设备利用率理论值为98.4%，实际达到的利用率为97.2%。

目录

声明

第1章 绪论

1.1 研究目的与意义

1.2 国内外研究现状

1.3 本文章节安排

第2章 稀疏表示理论

2.1 引言

2.2 信号表示方法

2.3 字典学习

2.4基于近端算子的稀疏编码算法

2.5稀疏表示在目标跟踪中的应用

2.6本章小结

第3章 粒子滤波与CUDA编程平台

3.1 粒子滤波

3.2 CUDA编程平台

3.3 本章小结

第4章基于稀疏表示的目标跟踪算法

4.1字典的构建与更新

4.2 Alignment-pooling

4.3 SpaRSA与FISTA的收敛速度比较

4.4 本章小结

第5章CUDA实现及实验结果分析

5.1 CUDA实现

5.2实验结果及分析

5.3本章小结

第6章 总结与展望

6.1 论文工作总结

6.2 未来工作展望

致谢

参考文献