TLD跟踪算法优化（一）并行化

才学疏浅，仅仅言片语，仅仅求志同道的朋友一起交流研究。

并行化不算是算法的改进，仅仅是追求执行的实时性。

简要列举一个样例：

TLD算法的C++版本号源代码里：

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 //声明该并行区域分为若干个section,section之间的执行顺序为并行的关系

	{

#pragma omp section //第一个section,由某个线程单独完毕

		//前向轨迹跟踪

		calcOpticalFlowPyrLK( img1,img2, points1, points2, status,similarity, window_size, level, term_criteria, lambda, 0);

#pragma omp section //第二个section,由某个线程单独完毕

		//后向轨迹跟踪

		calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);

	}

  //前向轨迹跟踪

 // calcOpticalFlowPyrLK( img1,img2, points1, points2, status,similarity, window_size, level, term_criteria, lambda, 0);

  //后向轨迹跟踪

  //calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);

  //Compute the real FB-error

  /*

	原理非常easy：从t时刻的图像的A点，跟踪到t+1时刻的图像B点；然后倒回来

	从t+1时刻的图像的B点往回跟踪，假如跟踪到t时刻的图像的C点，这样就产

	生了前向和后向两个轨迹，比較t时刻中A点和C点的距离，假设距离小于某个

	阈值，那么就觉得前向跟踪是正确的；这个距离就是FB_error

  */

  //计算前向与后向轨迹的误差。

	#pragma  omp parallel for

  for( int i= 0; i<points1.size(); ++i ){

        FB_error[i] = norm(pointsFB[i]-points1[i]); //norm求矩阵或向量的

													//范数,或绝对值

  }

  //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);

}

改动后代码执行速度提高了不少。

只是并行化处理，必须考虑到一些问题

1.数据的相互排斥问题

2.线程的分配问题

3.Release版本号应用程序对于for循环能够自己主动优化，不用对for做多线程设定，主要还是放在模块化的数据处理并行化上。