GPU加速的運(yùn)動目標(biāo)檢測與分割.pdf

1、運(yùn)動目標(biāo)的檢測與分割一直都是計算視覺領(lǐng)域研究的熱點(diǎn)問題，它是計算機(jī)視覺領(lǐng)域中運(yùn)動目標(biāo)跟蹤、運(yùn)動目標(biāo)分類及運(yùn)動目標(biāo)行為理解的基礎(chǔ)。運(yùn)動目標(biāo)的檢測與分割有廣泛的應(yīng)用場景，最典型的應(yīng)用是智能交通監(jiān)控系統(tǒng)中的車輛檢測。本文在深入研究背景減除算法現(xiàn)狀的基礎(chǔ)上，針對目前背景減除算法中存在的問題，如算法的執(zhí)行速度、背景吸收時間的可控性、背景分割的準(zhǔn)確性等，做了大量的算法研究與實(shí)驗(yàn)驗(yàn)證。
　　首先，針對混合高斯模型與碼本模型中背景吸收時間不可控與

2、構(gòu)建背景模型消耗時間較大等問題，提出了一種基于碼本模型的背景建模方法。該方法的背景吸收時間是穩(wěn)定的，與場景復(fù)雜度無關(guān)，可以通過設(shè)置參數(shù)來改變背景吸收時間的長度，從而滿足現(xiàn)實(shí)中不同場合的應(yīng)用需求。同時該算法的背景模型匹配、更新計算量相對較小，在一定程度上提高了算法的執(zhí)行速度。
　　其次，本文利用CUDA框架下的GPU對基于碼本的運(yùn)動目標(biāo)檢測算法進(jìn)行加速。從CUDA框架下GPU的工作模型可知，利用GPU的高度并行性可以對可并行的算法進(jìn)

3、行加速。在對GPU存儲模型深入研究的基礎(chǔ)上，從兩方面入手提高算法的執(zhí)行效率，其一，利用CPU端使用頁鎖定內(nèi)存來提高CPU與GPU間數(shù)據(jù)的傳輸速度，其二，利用GPU流實(shí)現(xiàn)CPU與GPU異步并行工作，以便對GPU并行算法進(jìn)行進(jìn)一步優(yōu)化。
　　再次，為了消除陰影對基于碼本模型的運(yùn)動目標(biāo)檢測算法結(jié)果的影響，本文提出了一種多特征融合的背景減除算法，利用紋理背景模型對陰影敏感度較小的特點(diǎn)來消除運(yùn)動目標(biāo)中的陰影，從而取得較好的運(yùn)動目標(biāo)分割效果。

4、由于背景環(huán)境的復(fù)雜性及環(huán)境噪聲等因素的影響，紋理背景模型檢測出的運(yùn)動物體往往會產(chǎn)生很多漏洞與不連續(xù)的邊緣，本文對紋理背景模型算法的前景做了漏洞填充。此外，本文還利用GPU技術(shù)對該算法進(jìn)行了加速，并取得了顯著的效果。
　　最后，針對運(yùn)動目標(biāo)檢測算法的現(xiàn)實(shí)應(yīng)用，本文設(shè)計了一個倉庫監(jiān)控報警軟件。該軟件分為兩部分，服務(wù)器端與客戶端。服務(wù)器端主要負(fù)責(zé)同時對多個攝像頭進(jìn)行視頻采集、存儲、發(fā)送、入侵分析及報警?？蛻舳酥饕?fù)責(zé)視頻的播放與監(jiān)控區(qū)域