TLD跟蹤演算法最佳化（一）並行化

標籤：tld   並行化   opencv   

       

       才學疏淺，隻言片語，只求志同道的朋友一起交流研究。

       並行化不算是演算法的改進，只是追求啟動並執行即時性。

       簡要列舉一個例子：

       TLD演算法的C++版本源碼裡：

LKTracker::trackf2f(const Mat& img1, const Mat& img2,vector<Point2f> &points1, vector<cv::Point2f> &points2){

bool LKTracker::trackf2f(const Mat& img1, const Mat& img2,vector<Point2f> &points1, vector<cv::Point2f> &points2){  //TODO!:implement c function cvCalcOpticalFlowPyrLK() or Faster tracking function  //Forward-Backward tracking#pragma omp parallel sections //聲明該並列區域分為若干個section,section之間的運行順序為並行的關係    {    #pragma omp section //第一個section,由某個線程單獨完成    //前向軌跡跟蹤calcOpticalFlowPyrLK( img1,img2, points1, points2, status,similarity, window_size, level, term_criteria, lambda, 0);#pragma omp section //第二個section,由某個線程單獨完成    //後向軌跡跟蹤calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);}      //前向軌跡跟蹤 // calcOpticalFlowPyrLK( img1,img2, points1, points2, status,similarity, window_size, level, term_criteria, lambda, 0);  //後向軌跡跟蹤  //calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);    //Compute the real FB-error  /*原理很簡單：從t時刻的映像的A點，跟蹤到t+1時刻的映像B點；然後倒回來從t+1時刻的映像的B點往回跟蹤，假如跟蹤到t時刻的映像的C點，這樣就產生了前向和後向兩個軌跡，比較t時刻中A點和C點的距離，如果距離小於某個閾值，那麼就認為前向跟蹤是正確的；這個距離就是FB_error  */  //計算前向與後向軌跡的誤差。#pragma  omp parallel for    for( int i= 0; i<points1.size(); ++i ){        FB_error[i] = norm(pointsFB[i]-points1[i]); //norm求矩陣或向量的//範數,或絕對值  }  //Filter out points with FB_error[i] > median(FB_error) && points with sim_error[i] > median(sim_error)  normCrossCorrelation(img1,img2,points1,points2);  return filterPts(points1,points2);}

 修改後代碼運行速度提高了不少。

 不過並行化處理，必須考慮到一些問題

1.資料的互斥問題

2.線程的分配問題

3.Release版本應用程式對於for迴圈可以自動最佳化，不用對for做多線程設定，主要還是放在模組化的資料處理並行化上。