CN119048552B - 一种基于fpga的高帧率kcf目标跟踪装置和方法 - Google Patents

一种基于fpga的高帧率kcf目标跟踪装置和方法

Info

Publication number
CN119048552B
CN119048552B CN202410998134.0A CN202410998134A CN119048552B CN 119048552 B CN119048552 B CN 119048552B CN 202410998134 A CN202410998134 A CN 202410998134A CN 119048552 B CN119048552 B CN 119048552B
Authority
CN
China
Prior art keywords
image
kcf
frame
module
stage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410998134.0A
Other languages
English (en)
Other versions
CN119048552A (zh
Inventor
刘雪松
熊茗宇
辜博轩
王斐
陈耀武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202410998134.0A priority Critical patent/CN119048552B/zh
Publication of CN119048552A publication Critical patent/CN119048552A/zh
Application granted granted Critical
Publication of CN119048552B publication Critical patent/CN119048552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/483—Computations with numbers represented by a non-linear combination of denominational numbers, e.g. rational numbers, logarithmic number system or floating-point numbers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Nonlinear Science (AREA)
  • Signal Processing (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于FPGA的高帧率KCF目标跟踪装置和方法，包括：在FPGA上设计视频采集模块、高帧率KCF跟踪模块、存储模块、以及视频输出模块；视频采集模块用于采集视频数据并格式转换后进行于存储模块中存储；高帧率KCF跟踪模块包括图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段，以及控制调度模块，控制调度模块基于流水线设计和计算资源调度控制三个阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；视频输出模块用于将目标跟踪框与从存储模块中读取的图像帧组合后输出。这样可以在满足算法鲁棒性的同时提升计算效率，还能够进一步减小装置功耗，为装置的小型化应用奠定基础。

Description

一种基于FPGA的高帧率KCF目标跟踪装置和方法
技术领域
本发明属于数据处理技术领域，具体涉及一种基于FPGA的高帧率KCF目标跟踪装置和方法。
背景技术
目标跟踪是计算机视觉领域的一项重要任务，也是很多计算机视觉应用的基础任务，在视频检索、基于运动的识别、人机交互、自动化监控、车辆导航等方面有重要应用。高清摄像头的出现、高端电脑的激增、自动视频分析日益增长的需求，这些都促使着目标跟踪算法的研究进程。
近年来电子与计算机技术快速发展，半导体工艺也取得了长足的进步，FPGA器件可以满足许多实际应用对实现平台小巧便携的要求，FPGA使用并行操作的方法对计算性能的提升有着很大的帮助，所以对于计算密集型系统，FPGA是实现目标应用的理想选择方案。随着高速相机的发展，跟踪高速运动的物体成为了一种挑战，在跟踪目标高速移动的情况下，要求目标跟踪系统有很高的处理速度，才能保证对目标正确有效地实现跟踪。KCF目标跟踪算法在相关滤波领域非常流行并且在工程应用中广泛使用。KCF算法通过岭回归提出了一种新的跟踪器，不受“核化惩罚”的影响，减少了复杂度。
KCF目标跟踪算法具体步骤如下：截取目标图像以及多个尺度的检测图像并缩放至统一大小；提取目标图像及检测图像的HOG特征；对输入的目标图像的HOG特征进行离散傅里叶变化后计算其高斯响应；根据岭回归计算得到模板参数并存储，完成初始化，计算当前帧的模板参数；读取上一帧的模板参数，加权计算更新得到新的模板参数；基于检测图像的特征向量与目标图像的特征向量计算生成检测图像的高斯响应；基于检测图像的高斯响应与更新后的模板参数点乘后进行傅里叶反变换；对傅里叶反变换后的结果保留实部，得到实数响应值，将响应值最大的检测图像作为跟踪到的目标，根据该检测图案的位置生成目标跟踪框。
现有技术存在的问题是：当前目标跟踪中采集视频数据无法做到高帧率，目标跟踪算法无法达到高速以及未硬化。采集视频数据无法做到高帧率是因为通过CPU进行视频解码及格式转换延迟较高；无法达到高速是因为KCF目标跟踪算法所需计算资源较多、计算流程较长，整体目标跟踪耗费时间长。正是因为现有技术存在以上问题，所以无法满足对高帧率视频目标的跟踪。
发明内容
鉴于上述，本发明的目的是提供一种基于FPGA的高帧率KCF目标跟踪方法和装置，其采用能够在逻辑硬件FPGA上高效实现的算法来构造KCF目标跟踪模块的部分，进行流水线设计及计算资源复用，由此在满足算法鲁棒性的同时提升计算效率，还能够进一步减小装置功耗，为装置的小型化应用奠定基础。
为实现上述发明目的，实施例提供的一种基于FPGA的高帧率KCF目标跟踪装置，其特征在于，在FPGA上设计视频采集模块、高帧率KCF跟踪模块、以及视频输出模块；
所述视频采集模块用于采集视频数据并格式转换后进行于存储模块中存储；
所述高帧率KCF跟踪模块包括图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段，以及控制调度模块，控制调度模块基于流水线设计和计算资源调度控制三个阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；
所述视频输出模块用于将目标跟踪框与从存储模块中读取的图像帧组合后输出。
优选地，所述视频采集模块中，将采集的视频数据转换为RGB格式的图像帧并存储。其中采集的视频可以是高帧率视频。
优选地，将采集的视频数据转换为RGB格式的图像帧并存储，包括：将摄像头输出的数据经过MIPIIO转换为并行数据，之后通过CSI接口解包提取出有效图像数据，再经过转换为RGB格式存储到集成到FPGA上的DDR中。
优选地，控制调度模块基于流水线设计控制三个阶段工作，包括：
控制图像截取缩放阶段、KCF模板更新阶段和KCF计算响应阶段的输入及执行并缓存各阶段输出，在当前图像帧进行KCF模板更新时，可并行输入下一图像帧进行图像截取缩放；在当前图像帧进行KCF计算响应时，可并行进行下一图像帧的KCF模板更新，实现流水线工作。
优选地，所述图像截取缩放阶段中，获取前一图像帧作为训练图像帧，并从训练图像帧中获取目标位置，基于目标位置从训练图像帧中通过浮点数计算单元截取目标图像，获取当前图像帧作为检测图像帧，并以目标位置为基础从检测图像帧中获取多个尺度的检测位置后，从检测图像帧中分别在每个检测位置截取检测图像，将截取的图像缩放至统一尺度。
优选地，所述KCF模板更新阶段中，提取截取的图像的HOG特征，对截取的图像的HOG特征通过FFT计算单元进行离散傅里叶变换后由复数计算单元计算其高斯响应；根据高斯响应及图像的高斯回归标签，通过浮点数计算单元及复数计算单元计算得到模板参数并存储；初始化即第一帧图像输入时，模板参数由手动截取的图像计算得到；每一帧图像输入后，计算当前图像帧的模板参数，读取上一图像帧的模板参数，加权计算更新得到新模板参数。
优选地，所述KCF计算响应阶段中，基于检测图像的HOG特征与训练图像的HOG特征通过复数计算单元计算生成检测图像的高斯响应；基于检测图像的高斯响应与更新后的新模板参数通过复数计算单元点乘，再通过FFT计算单元进行傅里叶反变换；对傅里叶反变换后的结果保留实部，得到实数响应值，各检测图像的实数响应值均为归一化值；将实数响应值最大的检测图像作为跟踪到的目标，并从中根据检测图案的位置生成目标跟踪框。
优选地，控制调度模块基于计算资源调度控制三个阶段工作，包括：
各阶段复用使用相同且消耗资源多的计算单元，包括FFT计算单元、浮点数计算单元、复数计算单元。
优选地，通过控制调度模块将图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段中的每个阶段的计算延时控制在16ms内。
为实现上述发明目的，实施例还提供了一种基于FPGA的高帧率KCF目标跟踪方法，其采用上述装置，所述方法包括以下步骤：
利用视频采集模块高帧率并行采集视频数据并格式转换后存储于存储模块中；
利用高帧率KCF跟踪模块生成图像帧中的目标跟踪框，具体控制调度模块基于流水线设计和计算资源调度控制图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；
利用视频输出模块将目标跟踪框与从存储模块中读取的图像帧组合后输出。
与现有技术相比，本发明具有的有益效果至少包括：
本发明中的视频采集模块基于FPGA实现，利用FPGA的并行计算能力对视频解码及格式转换，降低装置功耗；本发明基于FPGA实现KCF跟踪算法时，采用流水线设计，划分KCF跟踪算法为三个阶段，每个阶段计算延时在16ms内，各帧图像处理时并行执行，提高视频帧率至60fps，在提升了计算速度的同时减少了资源消耗，具有一定工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于FPGA的高帧率KCF目标跟踪装置的结构示意图；
图2是本发明实施例提供的KCF跟踪算法的流程图；
图3是本发明实施例提供的基于FPGA的高帧率KCF目标跟踪方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本发明的发明构思为：为解决解决了CPU采集视频功耗大，目标跟踪算法消耗资源大，速度慢的技术问题，即针对现有技术中目标跟踪无法达到高速实时的问题，本发明实施例提供了一种基于FPGA的高帧率KCF目标跟踪装置和方法，将采集视频数据进行解包、格式转换及存储，通过FPGA实现KCF跟踪算法，采用流水线设计并进行资源复用，能够在消耗较低计算资源的同时对高帧率视频实时地进行目标跟踪。
图1是本发明实施例提供的一种基于FPGA的高帧率KCF目标跟踪装置的结构示意图。如图1所示，实施例提供了一种基于FPGA的高帧率KCF目标跟踪装置，包括：基于FPGA设计的视频采集模块、高帧率KCF跟踪模块、存储模块以及视频输出模块。
实施例中，视频采集模块用于从摄像头中高帧率的并行采集视频数据，将视频转换为RGB格式并存储进DDR中。具体地，采集视频图像数据并处理的方式如图2所示，摄像头输出的数据经过MIPIIO转换为并行数据，之后通过CSI-2解包模块提取出有效的图像数据，再经过格式转换将raw数据转换为RGB格式的数据，再经过白平衡模块对白平衡进行校准，最后将处理好的图像帧数据写入到存储模块中，其中存储模块可以为DDR。
实施例中，高帧率KCF跟踪模块用于针对采集的图像帧进行KCF跟踪算法计算，生成目标图像帧中的目标跟踪框。具体地，高帧率KCF跟踪模块包括图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段，以及控制调度模块，控制调度模块基于流水线设计和计算资源调度控制三个阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框。
其中，图像截取缩放阶段中，获取前一图像帧作为训练图像帧，并从训练图像帧中获取目标位置，基于目标位置从训练图像帧中通过浮点数计算单元截取目标图像，获取当前图像帧作为检测图像帧，并以目标位置为基础从检测图像帧中获取多个尺度的检测位置后，从检测图像帧中分别在每个检测位置截取检测图像，将截取的图像缩放至统一尺度。
KCF模板更新阶段中，提提取截取的图像的HOG特征，对截取的图像的HOG特征通过FFT计算单元进行离散傅里叶变换后由复数计算单元计算其高斯响应；根据高斯响应及图像的高斯回归标签，通过浮点数计算单元及复数计算单元计算得到模板参数并存储；初始化即第一帧图像输入时，模板参数由手动截取的图像计算得到；每一帧图像输入后，计算当前图像帧的模板参数，读取上一图像帧的模板参数，加权计算更新得到新模板参数。
KCF计算响应阶段中，基于检测图像的HOG特征与训练图像的HOG特征通过复数计算单元计算生成检测图像的高斯响应；基于检测图像的高斯响应与更新后的新模板参数通过复数计算单元点乘，再通过FFT计算单元进行傅里叶反变换；对傅里叶反变换后的结果保留实部，得到实数响应值，各检测图像的实数响应值均为归一化值；将实数响应值最大的检测图像作为跟踪到的目标，并从中根据检测图案的位置生成目标跟踪框。
控制调度模块用于基于流水线设计控制三个阶段工作，包括：控制图像截取缩放阶段、KCF模板更新阶段和KCF计算响应阶段的输入及执行并缓存各阶段输出，在当前图像帧进行KCF模板更新时，可并行输入下一图像帧进行图像截取缩放；在当前图像帧进行KCF计算响应时，可并行进行下一图像帧的KCF模板更新，实现流水线工作。
具体地，高帧率KCF跟踪模块的流水线设计如图3所示，图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段进行三级流水线设计，第一帧进行KCF模板更新时并行执行第二帧的图像截取缩放，第一帧进行KCF计算响应时并行执行第二帧的KCF模板更新及第三帧的图像截取缩放，以此类推；各阶段的计算延时为16ms，输出时每16ms输出一个目标跟踪框，完成60fps的视频跟踪。
控制调度模块同时还用于基于计算资源调度控制三个阶段工作，包括：
各阶段复用使用相同且消耗资源多的计算单元，包括FFT计算单元、浮点数计算单元、复数计算单元。
实施例中，视频输出模块用于将目标跟踪框与从存储模块中读取的图像帧组合后输出，具体可以通过HDMI接口输出至显示设备进行可视化。
实施例还提供了一种基于FPGA的高帧率KCF目标跟踪方法，其采用上述装置，所述方法包括以下步骤：
利用视频采集模块高帧率并行采集视频数据并格式转换后存储于存储模块中；
利用高帧率KCF跟踪模块生成图像帧中的目标跟踪框，具体控制调度模块基于流水线设计和计算资源调度控制图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；
利用视频输出模块将目标跟踪框与从存储模块中读取的图像帧组合后输出。
实施例的上述基于FPGA的高帧率KCF目标跟踪装置和方法，能够直接通过摄像头读取视频数据，利用FPGA的并行计算能力对视频解码以及格式转换，降低了装置功耗；进行目标跟踪时，采用流水线设计，划分KCF算法为三个阶段，每个阶段计算延时在16ms内，各帧图像处理时并行执行，提高视频帧率至60fps，在提升了计算速度的同时减少了资源消耗，具，提供了高帧率、低资源消耗的目标跟踪方案。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于FPGA的高帧率KCF目标跟踪装置，其特征在于，包括：在FPGA上设计视频采集模块、高帧率KCF跟踪模块、存储模块、以及视频输出模块；
所述视频采集模块用于采集视频数据并格式转换后进行于存储模块中存储；
所述高帧率KCF跟踪模块包括图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段，以及控制调度模块，控制调度模块基于流水线设计和计算资源调度控制三个阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；
其中，控制调度模块基于流水线设计控制三个阶段工作，包括：控制图像截取缩放阶段、KCF模板更新阶段和KCF计算响应阶段的输入及执行并缓存各阶段输出，在当前图像帧进行KCF模板更新时，可并行输入下一图像帧进行图像截取缩放；在当前图像帧进行KCF计算响应时，可并行进行下一图像帧的KCF模板更新，实现流水线工作；
控制调度模块基于计算资源调度控制三个阶段工作，包括：各阶段复用使用相同且消耗资源多的计算单元，包括FFT计算单元、浮点数计算单元、复数计算单元；
通过控制调度模块将图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段中的每个阶段的计算延时控制在16ms内；
所述视频输出模块用于将目标跟踪框与从存储模块中读取的图像帧组合后输出。
2.根据权利要求1所述的基于FPGA的高帧率KCF目标跟踪装置，其特征在于，所述视频采集模块中，将采集的视频数据转换为RGB格式的图像帧并存储。
3.根据权利要求2所述的基于FPGA的高帧率KCF目标跟踪装置，其特征在于，将采集的视频数据转换为RGB格式的图像帧并存储，包括：将摄像头输出的数据经过MIPIIO转换为并行数据，之后通过CSI接口解包提取出有效图像数据，再转换为RGB格式存储到集成到FPGA上的DDR中。
4.根据权利要求1所述的基于FPGA的高帧率KCF目标跟踪装置，其特征在于，所述图像截取缩放阶段中，获取前一图像帧作为训练图像帧，并从训练图像帧中获取目标位置，基于目标位置从训练图像帧中通过浮点数计算单元截取目标图像，获取当前图像帧作为检测图像帧，并以目标位置为基础从检测图像帧中获取多个尺度的检测位置后，从检测图像帧中分别在每个检测位置截取检测图像，将截取的图像缩放至统一尺度。
5.根据权利要求4所述的基于FPGA的高帧率KCF目标跟踪装置，其特征在于，所述KCF模板更新阶段中，提取截取的图像的HOG特征，对截取的图像的HOG特征通过FFT计算单元进行离散傅里叶变换后由复数计算单元计算其高斯响应；根据高斯响应及图像的高斯回归标签，通过浮点数计算单元及复数计算单元计算得到模板参数并存储；初始化即第一帧图像输入时，模板参数由手动截取的图像计算得到；每一帧图像输入后，计算当前图像帧的模板参数，读取上一图像帧的模板参数，加权计算更新得到新模板参数。
6.根据权利要求5所述的基于FPGA的高帧率KCF目标跟踪装置，其特征在于，所述KCF计算响应阶段中，基于检测图像的HOG特征与训练图像的HOG特征通过复数计算单元计算生成检测图像的高斯响应；基于检测图像的高斯响应与更新后的新模板参数通过复数计算单元点乘，再通过FFT计算单元进行傅里叶反变换；对傅里叶反变换后的结果保留实部，得到实数响应值，各检测图像的实数响应值均为归一化值；将实数响应值最大的检测图像作为跟踪到的目标，并从中根据检测图案的位置生成目标跟踪框。
7.一种基于FPGA的高帧率KCF目标跟踪方法，其特征在于，其采用权利要求1-6任一项所述的装置，所述方法包括以下步骤：
利用视频采集模块高帧率并行采集视频数据并格式转换后存储于存储模块中；
利用高帧率KCF跟踪模块生成图像帧中的目标跟踪框，具体控制调度模块基于流水线设计和计算资源调度控制图像截取缩放阶段、KCF模板更新阶段、KCF计算响应阶段对存储的图像帧进行KCF目标跟踪算法计算，并生成图像帧中的目标跟踪框；
利用视频输出模块将目标跟踪框与从存储模块中读取的图像帧组合后输出。
CN202410998134.0A 2024-07-24 2024-07-24 一种基于fpga的高帧率kcf目标跟踪装置和方法 Active CN119048552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410998134.0A CN119048552B (zh) 2024-07-24 2024-07-24 一种基于fpga的高帧率kcf目标跟踪装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410998134.0A CN119048552B (zh) 2024-07-24 2024-07-24 一种基于fpga的高帧率kcf目标跟踪装置和方法

Publications (2)

Publication Number Publication Date
CN119048552A CN119048552A (zh) 2024-11-29
CN119048552B true CN119048552B (zh) 2025-11-14

Family

ID=93584549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410998134.0A Active CN119048552B (zh) 2024-07-24 2024-07-24 一种基于fpga的高帧率kcf目标跟踪装置和方法

Country Status (1)

Country Link
CN (1) CN119048552B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767405A (zh) * 2017-09-29 2018-03-06 华中科技大学 一种融合卷积神经网络的核相关滤波目标跟踪方法
CN110555866A (zh) * 2019-08-07 2019-12-10 北京首贝科技发展有限公司 一种改进kcf特征描述符的红外目标跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753846A (zh) * 2017-11-03 2019-05-14 北京深鉴智能科技有限公司 目标跟踪硬件实现系统和方法
CN109461170B (zh) * 2018-09-20 2021-11-16 西安电子科技大学 基于fpga的超高速目标跟踪方法、计算机视觉系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767405A (zh) * 2017-09-29 2018-03-06 华中科技大学 一种融合卷积神经网络的核相关滤波目标跟踪方法
CN110555866A (zh) * 2019-08-07 2019-12-10 北京首贝科技发展有限公司 一种改进kcf特征描述符的红外目标跟踪方法

Also Published As

Publication number Publication date
CN119048552A (zh) 2024-11-29

Similar Documents

Publication Publication Date Title
Cho et al. Fpga-based face detection system using haar classifiers
CN110378264B (zh) 目标跟踪方法及装置
WO2022111506A1 (zh) 视频动作识别方法、装置、电子设备和存储介质
US20250252307A1 (en) Multi-dimensional tensor support extension in neural network processor
Wang et al. CNN-based object detection solutions for embedded heterogeneous multicore SoCs
Chouchene et al. Optimized parallel implementation of face detection based on GPU component
CN111226226A (zh) 基于运动的对象检测方法及其对象检测装置和电子设备
Hou et al. Smg: A system-level modality gating facility for fast and energy-efficient multimodal computing
CN108648213A (zh) 一种kcf跟踪算法在tms320c6657上的实现方法
CN119048552B (zh) 一种基于fpga的高帧率kcf目标跟踪装置和方法
CN119228853B (zh) 基于选择性状态空间的目标跟踪方法、系统、装置、介质
CN120279266A (zh) 基于多尺度特征融合与索引选择机制的遥感图像分割方法
CN119785187A (zh) 一种大模型与小模型结合的图像处理系统的设计方法
CN110110589A (zh) 基于fpga并行计算的人脸分类方法
Liu et al. A lightweight multi-person pose estimation scheme based on Jetson Nano
CN112884062A (zh) 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统
Wang et al. A fast and efficient FPGA-based pose estimation solution for IoT applications
Lu et al. Video object detection based on non-local prior of spatiotemporal context
CN108875547A (zh) 一种面向资源受限环境的目标跟踪方法及装置
CN113393401A (zh) 物体检测硬件加速器、系统、方法、设备和介质
CN111666878B (zh) 一种对象检测方法和装置
Guo et al. HRNet-U: Combining the strengths of u-net and hrnet for efficient pose estimation
CN118628755B (zh) 矿山占地特征提取模型的训练方法及装置
Wang et al. Pp-hrnet: A lightweight high-resolution network for human pose estimation
CN119886242B (zh) 人工智能芯片及其池化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant