基于视觉的物体跟踪是计算机视觉领域十分重要的基础性研究方向。众多基于计算机视觉的高级应用都需要物体跟踪算法的支持,如自动驾驶、行为分析、智能监控和人际交互等。基于视觉的物体跟踪任务中会遇到尺度变化、形状变化、光照变化、快速运动以及遮挡等各种难题,同时又需要保证算法具有很好的鲁棒性和实时性,因此这将是个很有挑战性的难题。本文基于相关滤波的算法基础之上,设计出一种准确性较高,具有很好的鲁棒性,具有长时跟踪性能,同时又能够很好部署在嵌入式平台上的跟踪算法。本文的主要工作和研究内容如下:1.综合考虑了DCFNet跟踪算法的优势和缺点,在DCFNet跟踪算法上做了一定的修改。首先为DCFNet跟踪算法增添了跟踪置信度评测方法,然后制定了相关滤波层的模版更新策略。将DCFNet跟踪算法作为局部跟踪模块,添加了一个全局搜索模块,全局搜索模块是在局部跟踪模块跟踪结果的置信度比较低时才启动。为了保证全局搜索模块的速度,采用级联分类器的思想,首先利用Selective Search方法筛选出可能包含目标物的矩形框,然后进行三步筛选。第一步利用上一帧目标物的尺寸筛选候选框;第二步利用前几帧目标物的颜色特征和相关滤波方法学习检测模版参数,利用该模版参数筛选候选框;第三步利用DCFNet的卷积网络层提取候选目标物的特征,再利用DCFNet的相关滤波层计算候选目标物的跟踪置信度分数,与跟踪模块的结果比较,选出最优的目标物。实验结果表明改进后的算法在性能上相比于DCFNet跟踪算法有一定的提升,特别是对于有目标物偶尔被遮挡的视频帧中。2.分析改进后跟踪算法的性能瓶颈。在ARM CPU+NVIDIA GPU构建的多核嵌入式平台Jetson TK1上,对特定的卷积操作实现基于共享内存的直接卷积加速操作和基于大矩阵乘法的矩阵加速操作。将这两种基于GPU的卷积加速方法与cuDNN中的卷积加速方法作对比,筛选出更适合于Jetson TK1平台的特定卷积加速方法。借助ncnn框架,实现了基于YOLOv3的物体检测算法在ARM平台上的部署与加速。3.构建了具体的图形用户程序,将物体检测、物体跟踪算法以及基于嵌入式ARM和GPU硬件平台的硬加速方法融合在一起,实现了完整的运动物体检测跟踪系统。整个系统分为主窗口模块、目标物选择模块、图像获取模块以及图像处理模块。在主进程中同时开启两个线程来进行视频帧获取与处理。