GPU加速的運動目標檢測與分割.pdf

1、運動目標的檢測與分割一直都是計算視覺領域研究的熱點問題，它是計算機視覺領域中運動目標跟蹤、運動目標分類及運動目標行為理解的基礎。運動目標的檢測與分割有廣泛的應用場景，最典型的應用是智能交通監(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、背景分割的準確性等，做了大量的算法研究與實驗驗證。
　　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，與場景復雜度無關，可以通過設置參數(shù)來改變背景吸收時間的長度，從而滿足現(xiàn)實中不同場合的應用需求。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對基于碼本的運動目標檢測算法進行加速。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

3、行加速。在對GPU存儲模型深入研究的基礎上，從兩方面入手提高算法的執(zhí)行效率，其一，利用CPU端使用頁鎖定內存來提高CPU與GPU間數(shù)據(jù)的傳輸速度，其二，利用GPU流實現(xiàn)CPU與GPU異步并行工作，以便對GPU并行算法進行進一步優(yōu)化。
　　再次，為了消除陰影對基于碼本模型的運動目標檢測算法結果的影響，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來消除運動目標中的陰影，從而取得較好的運動目標分割效果。

4、由于背景環(huán)境的復雜性及環(huán)境噪聲等因素的影響，紋理背景模型檢測出的運動物體往往會產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技術對該算法進行了加速，并取得了顯著的效果。
　　最后，針對運動目標檢測算法的現(xiàn)實應用，本文設計了一個倉庫監(jiān)控報警軟件。該軟件分為兩部分，服務器端與客戶端。服務器端主要負責同時對多個攝像頭進行視頻采集、存儲、發(fā)送、入侵分析及報警?？蛻舳酥饕撠熞曨l的播放與監(jiān)控區(qū)域