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)具有相對較高的魯棒性，由于單個視角內(nèi)的匹配誤差會在視角間被傳遞甚至隨著時間遞推而被放大，因而提高視角內(nèi)的跟蹤精度也是關(guān)鍵?，F(xiàn)實世界的視頻的復雜性，使得視角內(nèi)跟蹤經(jīng)常會遇到模板漂移的問題。針對上述問題，我們又實現(xiàn)了下面改進算法：抑制漂移的卡爾曼外觀濾波(DIMKAF)[3-4]。DIMKAF(Drift-Inhibitive Masked Kalman Appearance Filter )算法通過計算模板像素真實值的概率分布定量地在線估計觀測噪聲的功率。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，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上的實現(xiàn)難點與優(yōu)化方案

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

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

　　4.1　算法優(yōu)化

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

　　● 結(jié)構(gòu)相似度指標第一步簡化：分解簡化

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

　　根據(jù)均值性質(zhì)，上述式子可以化簡為：

　　(3)式的運算量大約為10MN個加法和乘法運算，而(4)式的運算量僅為6MN個加法和乘法運算，運算量大約減少為原來的60%。

　　● 結(jié)構(gòu)相似度指標第二步簡化：模板均值方差復用

　　由跟蹤算法可知， 在對同一幀視頻數(shù)據(jù)進行處理時，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，達到進一步降低計算量的目的。