分布式多視角目標(biāo)跟蹤算法在OMAP3平臺(tái)上的實(shí)現(xiàn)與優(yōu)化

　　3.3　跟蹤精度優(yōu)化

　　盡管3.1.到3.2.兩小節(jié)提出的算法已經(jīng)具有相對(duì)較高的魯棒性，由于單個(gè)視角內(nèi)的匹配誤差會(huì)在視角間被傳遞甚至隨著時(shí)間遞推而被放大，因而提高視角內(nèi)的跟蹤精度也是關(guān)鍵?，F(xiàn)實(shí)世界的視頻的復(fù)雜性，使得視角內(nèi)跟蹤經(jīng)常會(huì)遇到模板漂移的問題。針對(duì)上述問題，我們又實(shí)現(xiàn)了下面改進(jìn)算法：抑制漂移的卡爾曼外觀濾波(DIMKAF)[3-4]。DIMKAF(Drift-Inhibitive Masked Kalman Appearance Filter )算法通過計(jì)算模板像素真實(shí)值的概率分布定量地在線估計(jì)觀測(cè)噪聲的功率。狀態(tài)轉(zhuǎn)移噪聲的功率也可以通過新息在線計(jì)算得到。這樣，本算法的卡爾曼增益系數(shù)始終能夠在更新模板與減少漂移之間尋求最優(yōu)平衡點(diǎn)，十分有效地抑制了模板漂移現(xiàn)象，提高了有限搜索精度下的跟蹤精確度。

　　4.算法在DSP上的實(shí)現(xiàn)難點(diǎn)與優(yōu)化方案

　　視頻跟蹤算法具有運(yùn)算量大的特點(diǎn)，這增加了算法在DSP上的實(shí)現(xiàn)難度。為了讓算法能夠?qū)崟r(shí)地在DSP上運(yùn)行，我們必須對(duì)算法中最耗時(shí)的部分進(jìn)行優(yōu)化。經(jīng)過分析，算法中最耗時(shí)的部分為粒子濾波和模板匹配中的SSIM計(jì)算函數(shù)和插值函數(shù)。對(duì)于每一幀視頻，算法要調(diào)用將近兩百次的相似度計(jì)算函數(shù)和插值函數(shù)。粒子數(shù)越多，模板匹配的范圍越大，則所需要的計(jì)算量越大。

　　優(yōu)化過程分為算法優(yōu)化和軟件優(yōu)化兩個(gè)階段。算法優(yōu)化只在算法的層面上對(duì)計(jì)算公式進(jìn)行優(yōu)化，減少公式的運(yùn)算量。軟件優(yōu)化主要是對(duì)程序代碼進(jìn)行優(yōu)化，以提高程序的運(yùn)行速度。

　　4.1　算法優(yōu)化

　　本節(jié)針對(duì)粒子濾波和模板匹配中的SSIM計(jì)算函數(shù)進(jìn)行了算法上的優(yōu)化。

　　● 結(jié)構(gòu)相似度指標(biāo)第一步簡(jiǎn)化：分解簡(jiǎn)化

　　2.1節(jié)中介紹的粒子濾波和模板匹配中的SSIM指標(biāo)[6]的計(jì)算方式，可以將其簡(jiǎn)化為如下形式：

　　根據(jù)均值性質(zhì)，上述式子可以化簡(jiǎn)為：

　　(3)式的運(yùn)算量大約為10MN個(gè)加法和乘法運(yùn)算，而(4)式的運(yùn)算量?jī)H為6MN個(gè)加法和乘法運(yùn)算，運(yùn)算量大約減少為原來的60%。

　　● 結(jié)構(gòu)相似度指標(biāo)第二步簡(jiǎn)化：模板均值方差復(fù)用

　　由跟蹤算法可知， 在對(duì)同一幀視頻數(shù)據(jù)進(jìn)行處理時(shí)，模板是不變的，上式中的mf 以及ΣΣ==MmNnnmf112)),((是不變的，因此模板的均值和ΣΣ==MmNnnmf112)),((項(xiàng)只要計(jì)算一次，那么在其它SSIM的計(jì)算中可以重復(fù)利用，達(dá)到進(jìn)一步降低計(jì)算量的目的。