Where frame performs tracking using

Where frame performs tracking using the image pyramids of multi-resolution and intensity. SIFT is scale
invariant feature transform algorithm [11] which performs extraction of interest points invariant to
translation, rotation, scaling and illumination changes in images. It constructs a Gaussian scale-space
pyramid from the input image and also calculates the gradients and difference-of-Gaussian (DOG) images at
these scales. Interest points are detected at the local extremes within the DOG scale space. With GPU, the
construction of the Gaussian scale space pyramid is accelerated by using fragment programs for separable
Gaussian convolution. These implementations are 1020 times faster than the corresponding optimized CPU
counterparts and enable real-time processing of high resolution video [12]. We can also use the improved
version of parallel SIFT algorithm that provides better performance on multi core platforms [13] and takes
care of following:
1. Load Balancing.
2. Reducing Synchronization Overhead.
3. Removing False Sharing.
4. Applying Thread Affinity.
GPU-based KLT implementation tracks about a thousand features in real-time at 30 Hz on 1024x768
resolution video which is a 20 times improvement over the CPU. It works on both ATI and NVIDIA graphics
cards. The GPU-based SIFT implementation works on NVIDIA cards and extracts about 800 features from
640x480 video at 10Hz which is approximately10 times faster than an optimized CPU implementation [14].
There is another application of feature detection where eye blink detector works on very low contrast images
acquired under near-infrared illumination with GPU[15].Eye blinks are detected inside regions of interest
that are aligned with the subjects eyes at initialization. Alignment is maintained through time by tracking
SIFT feature points that are used to estimate the affine transformation between the initial face pose and the
pose in subsequent frames. Eye blink detection obviously implies prior detection of the eyes in the image of
the subjects face. Here also GPU based implementation of SIFT is used for tracking as provided in the library
Open NVIDIA [16] openvidia.sourceforge.net.
Object detection is the ability to detect and localize objects within an image or a scene [18]. Here also the
features for an object are needed to be extracted. One of the algorithm adopted for object detection is
AdaBoost[17] which further can be run on Graphics Processing Units[18].This particular system can be
evaluated with two face-detection applications which are based on the boosted cascade of classifiers:
Multiple Layers Face Detection (MLFD), and Single Layer Face Detection (SLFD)[18]. It can be observed
that SLFD implementation on GPU performs up to nine times faster than its CPU counterpart. The MLFD, in
the other hand, can be accelerated using the GPU and performs up to three times faster than the CPU[18].In
[19] it is referred further to a method where focus is on the nuclei detection on Hematoxilin eosin stained
colon tissue sample images. It examines that how effectively the algorithms used during the process can be
implemented to data parallel architectures, and is it worth using GPU (Graphic Processing Unit) instead of
the CPU (Central Processing Unit).
368
There

ผลลัพธ์ (ไทย) 1:

ที่กรอบดำเนินการติดตามโดยใช้รูปปิระมิดของหลายความละเอียดและความเข้ม SIFT เป็นมาตราส่วนอัลกอริทึม [11] ที่ทำการสกัดจุดสนใจบล็อกการแปลงคุณลักษณะภาษาเปลี่ยนแปลงแปล หมุน ปรับขนาด และไฟส่องสว่างในภาพ สร้างพื้นที่ขนาด Gaussianพีระมิดจากรูปป้อนข้อมูล และคำนวณการไล่ระดับสีและความแตกต่างของ-Gaussian (สุนัข) ภาพที่เครื่องชั่งเหล่านี้ พบจุดสนใจที่สุดภายในพื้นที่ขนาดสุนัข มี GPU การก่อสร้างปิรามิดขนาด Gaussian พื้นที่ถูกเร่ง โดยใช้โปรแกรมส่วน separableGaussian convolution ใช้งานเหล่านี้มี 1020 ครั้งเร็วกว่า CPU เพิ่มประสิทธิภาพที่สอดคล้องกันคู่และเปิดใช้งานแบบเวลาจริงการประมวลผลวิดีโอความละเอียดสูง [12] เรายังสามารถใช้การปรับปรุงรุ่นขนาน SIFT ขั้นตอนวิธีที่ให้ประสิทธิภาพที่ดีกว่าในหลายแพลตฟอร์มหลัก [13] และใช้เวลาดูแลดังต่อไปนี้:1. โหลดดุล2. ลดค่าใช้จ่ายในการซิงโครไนส์3. เอาผิดร่วม4. ใช้หัวข้อความสัมพันธ์ใช้ GPU KLT ดำเนินติดตามคุณลักษณะเกี่ยวกับพันในเวลาจริงที่ 30 Hz ใน 1024 x 768วิดีโอความละเอียดที่ 20 มีเวลาปรับปรุงผ่าน CPU ทำงานบนกราฟิก ATI และ NVIDIAบัตร ดำเนินการ SIFT ใช้ GPU ทำงานบนการ์ด NVIDIA และแยกคุณลักษณะ 800 จาก640 x 480 แสดงวิดีโอที่ 10Hz ซึ่งเป็น approximately10 เวลาที่เร็วกว่าการใช้ CPU ให้เหมาะ [14]มีโปรแกรมประยุกต์อื่นของการตรวจสอบคุณลักษณะที่เครื่องตรวจจับการกะพริบตาทำงานในรูปความคมชัดต่ำมากมาภายใต้รัศมีใกล้อินฟราเรดกับ GPU [15]กะพริบตาตรวจพบภายในภูมิภาคที่น่าสนใจที่อยู่ชิดกับตาเรื่องที่เริ่มต้น จัดตำแหน่งไว้ผ่านทางเวลา โดยการติดตามคะแนนคุณลักษณะ SIFT ที่ใช้ในการประเมินการแปลง affine ระหว่างก่อให้เกิดหน้าเริ่มต้น และก่อให้เกิดในกรอบต่อ ๆ ไป ตรวจจับการกะพริบตาอย่างชัดเจนหมายถึงการตรวจสอบก่อนหน้านี้ของดวงตาในรูปของเรื่องหน้า ที่นี่ยังนำ GPU โดย SIFT ใช้สำหรับติดตามจัดไว้ในไลบรารีเปิด openvidia.sourceforge.net NVIDIA [16]ตรวจจับวัตถุคือ ความสามารถในการตรวจสอบ และแปลวัตถุภายในภาพหรือฉาก [18] ที่นี่ยังจะคุณลักษณะสำหรับวัตถุที่มีความจำเป็นไป อัลกอริทึมที่นำมาใช้เพื่อตรวจหาวัตถุอย่างใดอย่างหนึ่งเป็นAdaBoost [17] ซึ่งเพิ่มเติมสามารถรันบนกราฟิกประมวลผลหน่วย [18]ระบบนี้โดยเฉพาะสามารถประเมิน ด้วยโปรแกรมตรวจจับใบหน้าสองซึ่งขึ้นอยู่กับการเรียงซ้อนของคำนามภาษา boosted:หลายชั้นของการตรวจจับใบหน้า (MLFD), และตรวจจับใบหน้าชั้นเดียว (SLFD) [18] สามารถสังเกตที่ใช้งาน SLFD บน GPU ทำถึง 9 ครั้งเร็วกว่ากันของ CPU MLFD ในมืออื่น ๆ สามารถเร่ง GPU ใช้ และทำถึงสามครั้งเร็วกว่า CPU [18]ใน[19] มีการอ้างอิงมุมวิธีการเน้นที่การตรวจหาแอลฟาในสี eosin Hematoxilinภาพตัวอย่างเนื้อเยื่อลำไส้ใหญ่ ตรวจสอบว่า มีประสิทธิภาพอย่างไรอัลกอริทึมที่ใช้ในระหว่างกระบวนการสามารถนำมาใช้กับสถาปัตยกรรมข้อมูลแบบขนาน และมีมูลค่าการใช้ GPU (กราฟิกประมวลผลหน่วย) แทนCPU (หน่วยประมวลผลกลาง)368มี

ผลลัพธ์ (ไทย) 3:

ที่กรอบการติดตามการใช้ภาพปิรามิดของ multi-resolution และเอาจริงเอาจัง ร่อนเป็นมาตราส่วน
ไม่เปลี่ยนแปลงคุณลักษณะเปลี่ยนอัลกอริทึม [ 11 ] ที่มีประสิทธิภาพการสกัดจุดที่น่าสนใจไม่เปลี่ยนแปลง

แปล , หมุน , ปรับ และการเปลี่ยนภาพ มันสร้างเป็นลักษณะมาตราส่วนพื้นที่
พีระมิดจากภาพการไล่ระดับสีและข้อมูลและยังคำนวณความแตกต่างของเกาส์ ( สุนัข ) ภาพที่
เกล็ดเหล่านี้ จุดที่สนใจในพื้นที่ที่ตรวจพบสุดขั้วภายในสุนัขขนาดพื้นที่ กับ GPU ,
) ขนาดพื้นที่ของการก่อสร้างพีระมิดเร่งโดยใช้โปรแกรมจำเพาะสำหรับแยกกัน
> ขด .การใช้งานเหล่านี้ 1020 ครั้งเร็วกว่าที่เพิ่มประสิทธิภาพ CPU และการประมวลผลแบบเรียลไทม์
คู่ให้วิดีโอความละเอียดสูง [ 12 ] นอกจากนี้เรายังสามารถใช้ปรับปรุง
รุ่นขนานร่อนขั้นตอนวิธีที่ให้ประสิทธิภาพดีกว่าใน Multi core แพลตฟอร์ม [ 13 ] และใช้เวลาดูแลดังต่อไปนี้

1 วิธีการโหลดสมดุล .
2 การลดค่าใช้จ่ายประสาน
3 แบ่งปันลบเท็จ .
4ใช้ด้าย 6 .
GPU ตาม klt การติดตามเกี่ยวกับพันคุณสมบัติในเวลาจริงที่ 30 Hz ที่ความละเอียด 1024x768
วิดีโอซึ่งเป็น 20 ครั้ง การปรับปรุงซีพียู มันทำงานบนทั้ง ATI และ NVIDIA กราฟิกการ์ด
. GPU ใช้ร่อนทำงานการการ์ด Nvidia และสารสกัดจากประมาณ 800 คุณสมบัติจาก
640x480 วิดีโอที่ 10Hz ซึ่งเป็น approximately10 ครั้งเร็วกว่าการปรับ CPU ใช้งาน [ 14 ] .
มีการใช้คุณลักษณะการค้นหาที่ตรวจจับกระพริบตาตาผลงานภาพความคมชัดต่ำมากได้ภายใต้แสงอินฟราเรดใกล้
กับ GPU [ 15 ] . ตากระพริบตรวจพบภายในภูมิภาคที่น่าสนใจ
ที่สอดคล้องกับวิชาตา ณ เริ่มต้นที่ .การรักษาผ่านเวลาโดยการติดตาม
ร่อนมีจุดที่ใช้ในการประมาณการรวมแปลงระหว่างเริ่มต้นหน้าท่าและ
ท่าในเฟรมถัดไป เห็นได้ชัดว่าหมายถึงการตรวจสอบตรวจจับการกะพริบตาก่อนของดวงตาในรูปของ
จำนวนหน้า ที่นี่ยังใช้ GPU ที่ใช้ร่อน ใช้ ติดตาม ตามที่บัญญัติไว้ใน ห้องสมุด
เปิด NVIDIA [ 16 ] openvidia . sourceforge . net .
ตรวจจับวัตถุที่มีความสามารถในการตรวจสอบและระบุวัตถุภายในภาพหรือฉาก [ 18 ] ที่นี่ยัง
คุณสมบัติวัตถุจะต้องถูกแยก หนึ่งของขั้นตอนวิธีใช้สำหรับตรวจจับวัตถุเป็น
adaboost [ 17 ] ซึ่งต่อไปจะสามารถทำงานบนหน่วยประมวลผลกราฟิก [ 18 ] ระบบนี้โดยเฉพาะสามารถ
การประเมินที่มีสองใบหน้าซึ่งจะขึ้นอยู่กับการเพิ่มขึ้นของคำลักษณนาม :
น้ำตกหลายชั้นตรวจจับใบหน้า ( mlfd ) และชั้นเดียวตรวจจับใบหน้า ( slfd ) [ 18 ] จะสามารถสังเกตได้ว่า slfd
การ GPU แสดงถึงเก้าครั้งเร็วกว่าคู่ซีพียูของ การ mlfd ใน
มืออื่น ๆสามารถเร่งการใช้ GPU และแสดงถึงสามครั้งเร็วกว่า CPU [ 18 ] .
[ 19 ] มันเรียกว่าเพิ่มเติมวิธีการที่มุ่งเน้นอยู่ในนิวเคลียสการตรวจจับบน hematoxilin eosin คราบ
ลำไส้เนื้อเยื่อตัวอย่างภาพ มันตรวจสอบว่าวิธีการอย่างมีประสิทธิภาพอัลกอริทึมที่ใช้ในระหว่างกระบวนการสามารถดำเนินการกับข้อมูลแบบขนานสถาปัตยกรรม
,และมันคุ้มค่าการใช้ GPU ( หน่วยประมวลผลกราฟิก ) แทน
ซีพียู ( หน่วยประมวลผลกลาง )

มี 368