视频运动目标检测与跟踪算法的GPU并行优化

论文摘要

随着经济、社会的发展,以及软硬件技术不断的进步,各种图像识别系统的研究与开发得到了越来越广泛的重视。智能视频分析是模式识别,机器视觉,图像处理,人工智能等多学科的综合,是一个很有应用价值的研究课题。运动目标检测与跟踪是智能监控的一个重要研究方向,它为更高层次的智能视频分析奠定基础。因为其运行结果对后续检测分析步骤影响很大,人们对相关算法的检测精度与运行效率都提出了较高的要求。近些年来,随着显卡硬件的髙速发展以及性价比的提升,使用显卡进行通用计算加速,越来越受到人们的关注。GPU通用计算为提高数字图像算法的处理速度提供了一种有效方法。本文首先对比CPU与GPU的计算特性,分析了CPU-GPU异构系统的优势。介绍了NVIDIA公司推出的CUDA并行计算架构,以及可以在CPU上和GPU上跨平台实现并行处理的标准库OpenCL。CUDA和OpenCL使得GPU拥有更好的可编程性,并对可图像处理算法实现加速具有良好效果。在背景建模各方法中,混合高斯建模方法是检测效果和适应性都较好的方法,但其所需计算量巨大,难以实时实现。基于GPU平台上的CUDA编译环境,对混合高斯背景建模算法进行并行化改进。与串行算法比较可以达到接近5倍左右的加速,同时比OpenCV中的CUDA实现更快,证明对算法的并行优化的有效性。在复杂的实际环境中使用单一的检测与跟踪算法已无法满足目标跟踪的实用性要求。本文基于光流法和压缩跟踪算法,提出一种融合跟踪、在线学习以及检测技术的目标跟踪方法。实验结果表明,该方法提高了跟踪精度,而且具有较强的鲁棒性。光流法是一个优秀但计算量较大的跟踪算法,考虑到跟踪算法在不同平台上的可移植性,因此本文研究了基于OpenCL标准库上对光流算法的并行优化,有效的利用了硬件资源同时加快了算法的执行效率。实验中与传统串行算法比较可以达到3倍左右的加速,甚至比OpenCV中的OpenCL版本更快。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.1.1 课题来源和意义
• 1.1.2 课题的目的
• 1.2 课题研究现状
• 1.2.1 运动检测算法发展现状
• 1.2.2 目标跟踪算法发展现状
• 1.2.3 并行加速技术发展现状
• 1.3 本文工作
• 1.4 论文结构
• 1.5 本章小结
• 第二章 基于GPU的通用计算
• 2.1 CPU-GPU异构结构
• 2.1.1 CPU-GPU异构并行系统
• 2.1.2 CPU-GPU异构结构特性
• 2.2 CUDA计算平台
• 2.2.1 CUDA编程模型
• 2.2.2 CUDA存储器模型
• 2.3 OpenCL编程框架
• 2.3.1 OpenCL平台模型
• 2.3.2 OpenCL执行模型
• 2.3.3 OpenCL内存模型
• 2.3.4 OpenCL编程模型
• 2.4 CUDA与OpenCL对比
• 2.5 本章小结
• 第三章 运动目标检测算法异构并行优化研究
• 3.1 运动背景建模算法
• 3.1.1 常用背景建模算法分析
• 3.1.2 实验测试与结果分析
• 3.2 高斯混合模型算法的并行优化
• 3.2.1 高斯混合模型并行性分析
• 3.2.2 CUDA并行实现及优化
• 3.3 实验结果与分析
• 3.3.1 实验软硬件环境
• 3.3.2 测试结果与分析
• 3.4 本章小结
• 第四章 基于光流和压缩感知的目标跟踪算法
• 4.1 特征点光流跟踪算法
• 4.1.1 光流法简介
• 4.1.2 金字塔LK光流算法
• 4.2 压缩感知跟踪算法
• 4.2.1 压缩感知简介
• 4.2.2 压缩跟踪算法
• 4.3 改进的压缩感知跟踪算法
• 4.4 实验结果与分析
• 4.5 本章小结
• 第五章 光流跟踪算法异构并行优化研究
• 5.1 OpenCL编程技术
• 5.1.1 OpenCL编程流程
• 5.1.2 OpenCL优化技术
• 5.2 光流算法并行实现及优化
• 5.3 实验结果与分析
• 5.3.1 实验软硬件环境
• 5.3.2 测试结果与分析
• 5.4 本章小结
• 第六章 总结与展望结束语
• 6.1 工作总结
• 6.2 研究展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果