分布式多視角目標跟蹤算法在OMAP3平臺上的實(shí)現與優(yōu)化

　　3.3　跟蹤精度優(yōu)化

　　盡管3.1.到3.2.兩小節提出的算法已經(jīng)具有相對較高的魯棒性，由于單個(gè)視角內的匹配誤差會(huì )在視角間被傳遞甚至隨著(zhù)時(shí)間遞推而被放大，因而提高視角內的跟蹤精度也是關(guān)鍵?，F實(shí)世界的視頻的復雜性，使得視角內跟蹤經(jīng)常會(huì )遇到模板漂移的問(wèn)題。針對上述問(wèn)題，我們又實(shí)現了下面改進(jìn)算法：抑制漂移的卡爾曼外觀(guān)濾波(DIMKAF)[3-4]。DIMKAF(Drift-Inhibitive Masked Kalman Appearance Filter )算法通過(guò)計算模板像素真實(shí)值的概率分布定量地在線(xiàn)估計觀(guān)測噪聲的功率。狀態(tài)轉移噪聲的功率也可以通過(guò)新息在線(xiàn)計算得到。這樣，本算法的卡爾曼增益系數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)現難點(diǎn)與優(yōu)化方案

　　視頻跟蹤算法具有運算量大的特點(diǎn)，這增加了算法在DSP上的實(shí)現難度。為了讓算法能夠實(shí)時(shí)地在DSP上運行，我們必須對算法中最耗時(shí)的部分進(jìn)行優(yōu)化。經(jīng)過(guò)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計算函數和插值函數。對于每一幀視頻，算法要調用將近兩百次的相似度計算函數和插值函數。粒子數越多，模板匹配的范圍越大，則所需要的計算量越大。

　　優(yōu)化過(guò)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計算公式進(jìn)行優(yōu)化，減少公式的運算量。軟件優(yōu)化主要是對程序代碼進(jìn)行優(yōu)化，以提高程序的運行速度。

　　4.1　算法優(yōu)化

　　本節針對粒子濾波和模板匹配中的SSIM計算函數進(jìn)行了算法上的優(yōu)化。

　　● 結構相似度指標第一步簡(jiǎn)化：分解簡(jiǎn)化

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

　　根據均值性質(zhì)，上述式子可以化簡(jiǎn)為：

　　(3)式的運算量大約為10MN個(gè)加法和乘法運算，而(4)式的運算量?jì)H為6MN個(gè)加法和乘法運算，運算量大約減少為原來(lái)的60%。

　　● 結構相似度指標第二步簡(jiǎn)化：模板均值方差復用

　　由跟蹤算法可知， 在對同一幀視頻數據進(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)),((項只要計算一次，那么在其它SSIM的計算中可以重復利用，達到進(jìn)一步降低計算量的目的。