基于图像识别和红外避障的车辆跟踪系统、方法及车辆

摘要

本发明给出一种基于图像识别和红外避障的车辆跟踪系统，包括：上位机监视子系统、跟踪避障子系统以及车辆控制子系统；所述上位机监视子系统用于监视车辆的前进速度与前进方向；所述跟踪避障子系统用于车辆的跟踪与避障；所述车辆控制子系统用于控制车辆的前进速度与前进方向；所述上位机监视子系统包括Wifi接收模块、显示模块以及监控模块；所述跟踪避障子系统包括：摄像头模块、红外传感器模块、Wifi发送模块、嵌入式图像处理开发板以及跟踪避障处理模块；解决了现有技术中因简单算法引起的容易受到光照、遮挡、物体形变等影响；也解决了相对复杂的算法虽实时性较差的技术问题。

权利要求

1.一种基于图像识别和红外避障的车辆跟踪系统，其特征在于，包括：上位机监视子系统、跟踪避障子系统以及车辆控制子系统；

所述上位机监视子系统用于监视车辆的前进速度与前进方向；所述跟踪避障子系统用于车辆的跟踪与避障；所述车辆控制子系统用于控制车辆的前进速度与前进方向；

所述上位机监视子系统包括Wifi接收模块、显示模块以及监控模块；

所述跟踪避障子系统包括：摄像头模块、红外传感器模块、Wifi发送模块、嵌入式图像处理开发板以及跟踪避障处理模块；所述跟踪避障处理模块包括：Linux操作系统内核子模块、ROS子模块以及TLD计算子模块；

所述车辆控制子系统包括：控制器以及驱动电机；

所述Wifi发送模块用于发送所述摄像头模块获取的待跟踪车辆的实时图像至上位机监视子系统；所述Wifi接收模块用于接收所述摄像头模块获取的待跟踪车辆的实时图像；

所述嵌入式图像处理开发板用于对所述摄像头模块获取的待跟踪车辆的实时图像信息进行采集；所述跟踪避障处理模块用于处理经所述嵌入式图像处理开发板采集的数据；

所述TLD计算子模块包括：目标模型改进单元、最近邻图像片改进单元、分类器优化单元以及GPU加速单元；所述目标模型改进单元用于改进目标模型；所述最近邻图像片改进单元用于改进最近邻图像片；所述分类器优化单元用于优化分类器；所述GPU加速单元用于加快TLD计算子模块的计算速度；

所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的初始化；所述参数包括：通过集合分类器的所有图像片，集合分类器十棵树节点的图像的坐标值，通过最近邻分类器的所有正负样本图像片和级联分类器中的各个分类器的阈值；

所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片，所述正样本图像片和负样本图像片的数量之和为20张；

所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，并用最近邻方法进行重新评估；判断当通过最近邻分类器的结果为0个图像片时，重新对要通过集合分类器的图像片进行聚合，获取最近邻分类阈值，将聚合后的图像片送到最近邻分类器重新训练；

所述控制器用于根据红外传感器模块的实时检测结果和跟踪避障处理模块处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据。

2.如权利要求1所述的基于图像识别和红外避障的车辆跟踪系统，其特征在于，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算。

3.一种基于图像识别和红外避障的车辆跟踪方法，其特征在于，包括：S201、通过摄像头获取待跟踪车辆的实时图像；

S202、通过嵌入式图像处理开发板对获取待跟踪车辆的实时图像信息进行采集，S203、将采集到实时图像信息使用TLD跟踪方法进行处理，计算出待跟踪车辆的前进速度与前进方向；

S204、根据红外传感器的实时检测结果和跟踪避障处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据；并通过WIFI模块将跟踪车辆的实时图像信息上传至上位机监视；

其中，所述TLD跟踪方法包括：改进目标模型、改进最近邻图像片以及优化分类器；

所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的初始化；用GPU加速单元加快TLD计算子模块的计算速度；所述参数包括：通过集合分类器的所有图像片，集合分类器十棵树节点的图像的坐标值，通过最近邻分类器的所有正负样本图像片和级联分类器中的各个分类器的阈值；

所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片，所述正样本图像片和负样本图像片的数量之和为20张；

所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，并用最近邻方法进行重新评估；判断当通过最近邻分类器的结果为0个图像片时，重新对要通过集合分类器的图像片进行聚合，获取最近邻分类阈值，将聚合后的图像片送到最近邻分类器重新训练。

4.如权利要求3所述的基于图像识别和红外避障的车辆跟踪方法，其特征在于，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算。

5.一种基于图像识别和红外避障的车辆，其特征在于，安装有如权利要求1‑2任一所述的基于图像识别和红外避障的车辆跟踪系统。

说明书

基于图像识别和红外避障的车辆跟踪系统、方法及车辆

技术领域

[0001] 本发明涉及智能机器人领域，特别涉及一种基于图像识别和红外避障的车辆跟踪系统、方法及车辆。

背景技术

[0002] 长时间实时的物体追踪在人脸识别、自主导航、车辆识别、可视预警中有很大的应用前景。目前采用的简单算法虽然实时性较好，但容易受到光照、遮挡、物体形变等的影响；
而采用的相对复杂的算法虽然不易受外界的影响，精度较高，但实时性较差。此外，这两种
算法均未实现对于前端摄像头信息的同步传输至上位机监视器的过程。

发明内容

[0003] 本发明的目的在于针对上述问题，提供了一种基于图像识别和红外避障的车辆跟踪系统、方法及车辆。

[0004] 本发明可以采用如下系统来实现：一种基于图像识别和红外避障的车辆跟踪系统，包括：上位机监视子系统、跟踪避障子系统以及车辆控制子系统；

[0005] 所述上位机监视子系统用于监视车辆的前进速度与前进方向；所述跟踪避障子系统用于车辆的跟踪与避障；所述车辆控制子系统用于控制车辆的前进速度与前进方向；

[0006] 所述上位机监视子系统包括Wifi接收模块、显示模块以及监控模块；

[0007] 所述跟踪避障子系统包括：摄像头模块、红外传感器模块、Wifi发送模块、嵌入式图像处理开发板以及跟踪避障处理模块；

[0008] 所述跟踪避障处理模块包括：Linux操作系统内核子模块、ROS子模块以及TLD计算子模块；

[0009] 所述车辆控制子系统包括：控制器以及驱动电机；

[0010] 所述Wifi发送模块用于发送所述摄像头模块获取的待跟踪车辆的实时图像至上位机监视子系统；所述Wifi接收模块用于接收所述摄像头模块获取的待跟踪车辆的实时图
像；所述嵌入式图像处理开发板用于对所述摄像头模块获取的待跟踪车辆的实时图像信息
进行采集；所述跟踪避障处理模块用于处理经所述嵌入式图像处理开发板采集的数据；

[0011] 所述TLD计算子模块包括；目标模型改进单元、最近邻图像片改进单元、分类器优化单元以及GPU加速单元；所述目标模型改进单元用于改进目标模型；所述最近邻图像片改
进单元用于改进最近邻图像片；所述分类器优化单元用于优化分类器；所述GPU加速单元用
于加快TLD计算子模块的计算速度；

[0012] 所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的
初始化；所述参数包括：通过集合分类器的所有patch，集合分类器的十棵树的节点的图像
坐标点的位置值，通过最近邻分类器的所有的正负样本的，还有级联分类器的各个分类器
的阈值；

[0013] 所述控制器用于根据红外传感器模块的实时检测结果和跟踪避障处理模块处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据。

[0014] 进一步地，所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片,所
述正样本图像片和负样本图像片的数量之和为20张。

[0015] 进一步地，所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，
并用最近邻方法进行重新评估；并判断当通过最近邻分类器的结果为0个patch的时，重新
对集合分类器进行聚合，同时最近邻分类阈值，重新将聚合后的patch送到最近邻分类器重
新训练。

[0016] 进一步地，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算。

[0017] 本发明采用如下方法来实现：一种基于图像识别和红外避障的车辆跟踪方法，

[0018] S201、通过摄像头获取待跟踪车辆的实时图像；

[0019] S202、通过嵌入式图像处理开发板对获取待跟踪车辆的实时图像信息进行采集，

[0020] S203、将采集到实时图像信息使用TLD跟踪方法进行处理，计算出待跟踪车辆的前进速度与前进方向；

[0021] S204、根据红外传感器的实时检测结果和跟踪避障处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据；并通过WIFI模块将跟踪车辆的实时
图像信息上传至上位机监视；

[0022] 其中，所述TLD跟踪方法包括：改进目标模型、改进最近邻图像片以及优化分类器；

[0023] 所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的
初始化；所述参数包括：通过集合分类器的所有patch，集合分类器的十棵树的节点的图像
坐标点的位置值，通过最近邻分类器的所有的正负样本的，还有级联分类器的各个分类器
的阈值；

[0024] 进一步地，所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片。

[0025] 进一步地，所述正样本图像片和负样本图像片的数量之和为20张。

[0026] 进一步地，所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，
并用最近邻方法进行重新评估；并判断当通过最近邻分类器的结果为0个patch的时，重新
对集合分类器进行聚合，同时最近邻分类阈值，重新将聚合后的patch送到最近邻分类器重
新训练。

[0027] 进一步地，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算。

[0028] 本发明还提供一种基于图像识别和红外避障的车辆，该车辆安装有如权利要求1至5任一所述的基于图像识别和红外避障的车辆跟踪系统。

[0029] 综上，一种基于图像识别和红外避障的车辆跟踪系统，包括：上位机监视子系统、跟踪避障子系统以及车辆控制子系统；所述上位机监视子系统用于监视车辆的前进速度与
前进方向；所述跟踪避障子系统用于车辆的跟踪与避障；所述车辆控制子系统用于控制车
辆的前进速度与前进方向；所述上位机监视子系统包括Wifi接收模块、显示模块以及监控
模块；所述跟踪避障子系统包括：摄像头模块、红外传感器模块、Wifi发送模块、嵌入式图像
处理开发板以及跟踪避障处理模块；所述跟踪避障处理模块包括：Linux操作系统内核子模
块、ROS子模块以及TLD计算子模块；所述车辆控制子系统包括：控制器以及驱动电机；所述
Wifi发送模块用于发送所述摄像头模块获取的待跟踪车辆的实时图像至上位机监视子系
统；所述Wifi接收模块用于接收所述摄像头模块获取的待跟踪车辆的实时图像；所述嵌入
式图像处理开发板用于对所述摄像头模块获取的待跟踪车辆的实时图像信息进行采集；所
述跟踪避障处理模块用于处理经所述嵌入式图像处理开发板采集的数据；所述TLD计算子
模块包括；目标模型改进单元、最近邻图像片改进单元、分类器优化单元以及GPU加速单元；
所述目标模型改进单元用于改进目标模型；所述最近邻图像片改进单元用于改进最近邻图
像片；所述分类器优化单元用于优化分类器；所述GPU加速单元用于加快TLD计算子模块的
计算速度；所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图
像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块
的初始化且只对最近邻图像片和方差值进行保存；所述控制器用于根据红外传感器模块的
实时检测结果和跟踪避障处理模块处理数据的结果控制驱动电机，所述数据是指嵌入式图
像处理开发板采集的数据。

[0030] 有益效果为：

[0031] 1.本发明能够通过摄像头对待跟踪车辆进行实时追踪，并通过红外传感器对周边环境进行避障检测；

[0032] 2.使用改进的目标模型算法，保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算算法的初始化，
实现了离线检测和在线学习能力；减小模型的占用空间，使得存储和加载目标模型的时间
大大缩短；

附图说明

[0033] 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域
普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0034] 图1为本发明提供的基于图像识别和红外避障的车辆跟踪系统实施例结构图；

[0035] 图2为本发明提供的基于图像识别和红外避障的车辆跟踪方法实施例流程图；

[0036] 图3为本发明提供的基于图像识别和红外避障的车辆跟踪系统中跟踪避障处理模块结构图。

具体实施方式

[0037] 本发明给出了一种基于图像识别和红外避障的车辆跟踪系统及方法实施例，为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特
征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明：

[0038] 本发明首先提供了基于图像识别和红外避障的车辆跟踪系统，如图1所示，上位机监视子系统10、跟踪避障子系统20以及车辆控制子系统30；

[0039] 所述上位机监视子系统10用于监视车辆的前进速度与前进方向；所述跟踪避障子系统20用于车辆的跟踪与避障；所述车辆控制子系统30用于控制车辆的前进速度与前进方
向；

[0040] 所述上位机监视子系统10包括Wifi接收模块101、显示模块102以及监控模块103；

[0041] 所述跟踪避障子系统20包括：摄像头模块201、红外传感器模块202、Wifi发送模块203、嵌入式图像处理开发板204以及跟踪避障处理模块205；

[0042] 所述跟踪避障处理模块205，包括：Linux操作系统内核子模块2051、ROS子模块2052、以及TLD计算子模块2053；

[0043] 所述车辆控制子系统30包括：控制器301以及驱动电机302；

[0044] 其中，上位机监视子系统是一个基于Linux系统下的P2P服务器客户端接收模型，它接收WIFI模块传输的摄像头采集的实时数据并显示。通过嵌入式图像处理开发板上的精
灵进程Client客户端可实时读取TLD计算方法法保存在指定路径下的图片，通过Linux网络
编程方法将图片发至上位机进行实时监视。

[0045] 其中，控制器采用了STM32控制器，控制器根据处理数据结果使用驱动电机驱动麦克纳姆全向轮进行移动，达到跟踪的效果，与此同时，红外传感器测得实时周边环境，将检
测的数据传回STM32控制器进行避障判断。

[0046] 其中，跟踪避障算法工作原理为：通过改进TLD算法及ROS系统实现目标的自动跟踪，所述的目标自动跟踪算法步骤包括：目标检测、目标学习、目标跟踪三个模块，通过互相
监督与学习，达到长时间目标跟踪效果。

[0047] 所述Wifi发送模块203用于发送所述摄像头模块201获取的待跟踪车辆的实时图像至上位机监视子系统10；所述Wifi接收模块101用于接收所述摄像头模块201获取的待跟
踪车辆的实时图像；所述嵌入式图像处理开发板204用于对所述摄像头模块201获取的待跟
踪车辆的实时图像信息进行采集；所述跟踪避障处理模块205用于处理经所述嵌入式图像
处理开发板采集的数据；

[0048] 所述TLD计算子模块2053包括；目标模型改进单元20531、最近邻图像片改进单元20532、分类器优化单元20533以及GPU加速单元20534；所述目标模型改进单元20531用于改
进目标模型；所述最近邻图像片改进单元20532用于改进最近邻图像片；所述分类器优化单
元20533用于优化分类器；所述GPU加速单元20534用于加快TLD计算子模块的计算速度；

[0049] 所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的
初始化；所述参数包括：通过集合分类器的所有patch，集合分类器的十棵树的节点的图像
坐标点的位置值，通过最近邻分类器的所有的正负样本的，还有级联分类器的各个分类器
的阈值；

[0050] 其中，第一帧图像的参数包括第一帧通过方差分类器的所有数据；包括但不限于通过集合分类器的正负样本、通过最近邻分类器的正负样本、级联分类器的各个阈值、方差
分类器的阈值、集合分类器的先验概率、最近邻分类器的阈值、在线模型20张、集合分类器
10棵树，每棵树中的每个节点的图像位置等；初始化的过程是把上述vector数据给保存到
一个文件里面，存成矩阵的形式，当第二次开机时直接读取文件中的数据，从而进行初始
化；所采用的最近邻分类器，对在线模型的数量进行了限定，前10张初始化不动，后10张采
用Round robin算法进行循环更新。

[0051] 所述控制器用于根据红外传感器模块的实时检测结果和跟踪避障处理模块处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据。

[0052] 优选地，所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片。

[0053] 上述改进能够减少最近邻计算和匹配的目标模型中的图像片，从而减小计算量以及占中的运行内存

[0054] 优选地，所述正样本图像片和负样本图像片的数量之和为20张。

[0055] 优选地，所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，并
用最近邻方法进行重新评估；并判断当通过最近邻分类器的结果为0个patch的时，重新对
集合分类器进行聚合，同时最近邻分类阈值，重新将聚合后的patch送到最近邻分类器重新
训练。。

[0056] 优选地，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算，使用多线程同时处理多个扫描窗口，将处理结果返回进行评估。

[0057] 本发明还提供了基于图像识别和红外避障的车辆跟踪方法实施例，如图2所示，包括：

[0058] 本发明采用如下方法来实现：一种基于图像识别和红外避障的车辆跟踪方法，

[0059] S201、通过摄像头获取待跟踪车辆的实时图像；

[0060] S202、通过嵌入式图像处理开发板对获取待跟踪车辆的实时图像信息进行采集；

[0061] S203、将采集到实时图像信息使用TLD跟踪方法进行处理，计算出待跟踪车辆的前进速度与前进方向；

[0062] S204、根据红外传感器的实时检测结果和跟踪避障处理数据的结果控制驱动电机，所述数据是指嵌入式图像处理开发板采集的数据；并通过WIFI模块将跟踪车辆的实时
图像信息上传至上位机监视；

[0063] 其中，所述TLD跟踪方法包括：改进目标模型、改进最近邻图像片以及优化分类器；

[0064] 所述改进目标模型的具体方法为：保存摄像头模块获取的待跟踪车辆的实时图像作为离线训练样本，并自动读取离线训练完成的第一帧图像的参数进行TLD计算子模块的
初始化；所述参数包括：通过集合分类器的所有patch，集合分类器的十棵树的节点的图像
坐标点的位置值，通过最近邻分类器的所有的正负样本的，还有级联分类器的各个分类器
的阈值；

[0065] 优选地，所述改进最近邻图像片的具体方法为：根据时间与可信度计算方法，从离线训练样本中取出时间与可信度均在预设值范围内的正样本图像片和负样本图像片,所述
正样本图像片和负样本图像片的数量之和为20张。

[0066] 上述方法减少最近邻计算和匹配的目标模型中的图像片，减小计算量以及占中的运行内存。

[0067] 优选地，所述优化分类器的具体方法为：通过距离聚类方法，排除超出预设值距离的车辆的图像框，将在预设值距离范围内的车辆的图像框进行聚类，计算出新的目标框，并
用最近邻方法进行重新评估；并判断当通过最近邻分类器的结果为0个patch的时，重新对
集合分类器进行聚合，同时最近邻分类阈值，重新将聚合后的patch送到最近邻分类器重新
训练。

[0068] 优选地，所述GPU加速单元使用GPU并行加速方法，具体为使用CUDA平台将串行运行改为多线程的并行运算。

[0069] 本发明还提供一种基于图像识别和红外避障的车辆，该车辆安装有如权利要求1至5任一所述的基于图像识别和红外避障的车辆跟踪系统。

[0070] 综上所述，本发明利用时间与可信度编写算法，从模型中取出最具备代表性的正图像片和负图像片，并限制正负图像片的数量在20张，从而减少最近邻计算和匹配的目标
模型中的图像片，减小计算量以及占中的运行内存；本发明还通过距离聚类算法，将远离目
标的图像框排除，在目标附近的图像框进行聚类，综合出新的目标框，并用最近邻重新评
估，使得分类器的分类效果更加准确；另外本发明使用CUDA多线程并行计算技术进行算法
优化，将原来在CPU上串行计算方法改写成并行计算，提高算法的运行速度，缩短了运行时
间。

[0071] 本发明给出一种基于图像识别和红外避障的车辆跟踪系统，包括：上位机监视子系统、跟踪避障子系统以及车辆控制子系统；所述上位机监视子系统用于监视车辆的前进
速度与前进方向；所述跟踪避障子系统用于车辆的跟踪与避障；所述车辆控制子系统用于
控制车辆的前进速度与前进方向；所述上位机监视子系统包括Wifi接收模块、显示模块以
及监控模块；所述跟踪避障子系统包括：摄像头模块、红外传感器模块、Wifi发送模块、嵌入
式图像处理开发板以及跟踪避障处理模块；所述跟踪避障处理模块包括：Linux操作系统内
核子模块、ROS子模块以及TLD计算子模块；所述车辆控制子系统包括：控制器以及驱动电
机；所述Wifi发送模块用于发送所述摄像头模块获取的待跟踪车辆的实时图像至上位机监
视子系统；所述Wifi接收模块用于接收所述摄像头模块获取的待跟踪车辆的实时图像；所
述嵌入式图像处理开发板用于对所述摄像头模块获取的待跟踪车辆的实时图像信息进行
采集；所述跟踪避障处理模块用于处理经所述嵌入式图像处理开发板采集的数据；所述TLD
计算子模块包括；目标模型改进单元、最近邻图像片改进单元、分类器优化单元以及GPU加
速单元；所述目标模型改进单元用于改进目标模型；所述最近邻图像片改进单元用于改进
最近邻图像片；所述分类器优化单元用于优化分类器；所述GPU加速单元用于加快TLD计算
子模块的计算速度。本发明通过改变原算法只能每次手动设置初始化目标，再跟踪过程，本
发明保存了第一帧图片数据的信息作为初始化；同时改进了因GPU加速而带来的级联分类
器耗费时间的问题，本发明是对方差分类器进行加速，原算法在cpu上运行，其利用NVIDIA
的TK1板子带有显卡的嵌入式板子，用GPU并行计算，加快了方差分类器的计算。所采用的最
近邻分类器，对在线模型的数量进行了限定，解决了原算法无限制增长，嵌入式平台根本不
能支持通过级联分类器的数量的问题，且运用了聚合算法，多张图片归一，保证了跟踪的正
确性。

[0072] 以上实施例用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。