基于CUDA的粒子滤波并行算法研究

论文摘要

作为计算机视觉的核心内容,视觉跟踪在智能视频监控,机器人视觉,人机交互,人工智能等领域有重大应用价值,成为研究的热点。NVIDIA公司推出的CUDA平台可以启动大量的线程并行工作,提高算法运行速度,同样被广泛应用于图像处理,视频播放,信号处理,人工智能等领域。相比其他视觉跟踪算法,粒子滤波算法对复杂场景具备更好的鲁棒性,但很难满足实时性要求。因此,基于CUDA平台实现粒子滤波并行算法以提高算法执行效率,同时研究运动目标表观模型以提高跟踪的准确性,是十分必要的。在分析粒子滤波理论的基础上,实现了基于颜色模型的粒子滤波算法,分析了不同的预测策略和颜色空间对算法准确性的影响。实验证明基于颜色信息的粒子滤波算法跟踪准确,但计算复杂度高,且具有一定局限性。针对粒子滤波算法计算复杂度高的问题,充分利用CUDA并行运算性能,分析了粒子滤波算法的并行性,实现了基于CUDA的粒子滤波并行算法,有效加快算法运行速度,实验证明该算法可以有效加速2.5倍。针对基于颜色信息粒子滤波跟踪算法局限性,引入一种特征描述符—协方差矩阵,设计并实现了基于协方差矩阵的粒子滤波并行算法,实验表明该算法比基于颜色信息的粒子滤波算法更具有鲁棒性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究目的及意义
• 1.2 国内外研究现状
• 1.3 论文主要工作
• 2 粒子滤波跟踪算法
• 2.1 粒子滤波的理论基础
• 2.2 基于颜色信息的粒子滤波算法实现
• 2.3 实验结果与分析
• 2.4 本章小结
• 3 基于CUDA 粒子滤波跟踪算法并行实现研究
• 3.1 CUDA 运算平台
• 3.2 粒子滤波算法并行性分析及实现
• 3.3 实验结果与分析
• 3.4 本章小结
• 4 基于协方差矩阵的粒子滤波算法及其在CUDA 上实现
• 4.1 协方差矩阵
• 4.2 基于协方差矩阵的粒子滤波算法
• 4.3 基于协方差矩阵的粒子滤波算法在CUDA 上的实现
• 4.4 实验结果与分析
• 4.5 本章小结
• 5 总结与展望
• 5.1 本文工作总结
• 5.2 进一步的研究工作
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文