蒙特卡洛多目标跟踪算法的并行化设计与实现

摘要

随着计算机视觉技术的快速发展，在智能视频监控、人机交互、视觉导航等诸多应用领域中，视频目标跟踪技术已经得到了国内外学者的广泛关注。根据视频中运动目标个数的不同，目标跟踪可以分为单目标跟踪与多目标跟踪，多目标跟踪需要在跟踪过程中预测、修正多个目标的位置以及运动轨迹，具有更高的挑战性以及计算复杂度，设计一种兼顾稳定性与实时性的跟踪算法仍然是一个热点与难点问题。
　　通用并行计算图形处理器已经成为当前主流计算机的基本配置，利用GPU的计算能力来提高算法的计算效率已经成为一个必然趋势。传统的多目标跟踪算法一般都是串行计算的，算法在设计时并没有考虑到GPU的使用，算法的实现没有充分利用计算资源。本文以静态背景的视频序列为研究对象，以基于CPU-GPU的异构计算机系统为硬件基础，对MCMC算法的并行化进行研究。
　　本文分析了GPU的基本架构，对CUDA指令系统的基本概念进行了讨论，之后介绍了并行程序的设计流程以及编程方法，紧接着讨论了几种贝叶斯跟踪模型的基本实现方法，给出了贝叶斯跟踪模型在多目标问题中的扩展，重点研究了MCMC多目标跟踪算法，讨论了算法实现的关键问题以及技术难点。
　　在并行化目标检测部分，讨论了静态背景下运动目标检测的基本原理，通过实验对并行化的混合高斯模型背景减除法进行了对比分析。为了满足多目标跟踪部分的模拟采样需求，本文对检测算法进行扩展，在并行化混合高斯背景减除算法中加入置信图生成部分，利用运动目标的综合置信强度以及强度扩散函数，计算区域内像素点的置信值，为跟踪器提供更丰富的检测信息。
　　在多目标跟踪算法的并行化部分，针对MCMC算法中目标状态采样的耗时问题，本文通过研究IP-MCMC算法与并行回火算法的基本原理，提出了一种基于GPU的多链蒙特卡洛优化算法。该算法在GPU的多个线程块上同时构造多条采样链，首先利用并行回火原理得到稳定分布的初始采样点，之后通过执行多链MCMC算法得到采样结果，进而完成对多目标状态的后验估计。实验结果表明该方法能够充分利用GPU的并行计算能力，减少多目标状态的采样时间，提高了算法的计算效率。
　　本文提出的并行化改进方法对研究实时性的视频多目标跟踪算法具有一定的理论价值，但是由于在目标采样阶段引入了并行化改进，算法的鲁棒性受到一定限制，还无法满足实际工程的应用需求。如何在保证计算效率的基础上，进一步提高多目标跟踪算法的准确性与鲁棒性是未来工作中需要解决的问题。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文研究内容与结构安排

第二章 基于GPU的并行化理论基础

2.1 GPU体系结构

2.2 CUDA指令系统

2.3基于GPU的程序设计

2.4本章小结

第三章 多目标跟踪算法研究

3.1贝叶斯跟踪模型

3.2多目标跟踪

3.3本章小结

第四章 并行化目标检测算法研究

4.1运动目标检测

4.2目标概率空间

4.3本章小结

第五章 蒙特卡洛算法的并行化

5.1并行跟踪算法处理框架

5.2数据关联

5.3多链MCMC算法

5.4实验结果

5.5本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

致谢

作者简介