視頻運動目標(biāo)檢測與跟蹤算法的GPU并行優(yōu)化.pdf

1、隨著經(jīng)濟、社會的發(fā)展，以及軟硬件技術(shù)不斷的進步，各種圖像識別系統(tǒng)的研究與開發(fā)得到了越來越廣泛的重視。智能視頻分析是模式識別，機器視覺，圖像處理，人工智能等多學(xué)科的綜合，是一個很有應(yīng)用價值的研究課題。運動目標(biāo)檢測與跟蹤是智能監(jiān)控的一個重要研究方向，它為更高層次的智能視頻分析奠定基礎(chǔ)。因為其運行結(jié)果對后續(xù)檢測分析步驟影響很大，人們對相關(guān)算法的檢測精度與運行效率都提出了較高的要求。近些年來，隨著顯卡硬件的髙速發(fā)展以及性價比的提升，使用顯卡進行

2、通用計算加速，越來越受到人們的關(guān)注。GPU通用計算為提高數(shù)字圖像算法的處理速度提供了一種有效方法。
　　本文首先對比CPU與GPU的計算特性，分析了CPU-GPU異構(gòu)系統(tǒng)的優(yōu)勢。介紹了NVIDIA公司推出的CUDA并行計算架構(gòu)，以及可以在CPU上和GPU上跨平臺實現(xiàn)并行處理的標(biāo)準庫OpenCL。CUDA和OpenCL使得GPU擁有更好的可編程性，并對可圖像處理算法實現(xiàn)加速具有良好效果。
　　在背景建模各方法中，混合高斯建模方

3、法是檢測效果和適應(yīng)性都較好的方法，但其所需計算量巨大，難以實時實現(xiàn)?；贕PU平臺上的CUDA編譯環(huán)境，對混合高斯背景建模算法進行并行化改進。與串行算法比較可以達到接近5倍左右的加速，同時比OpenCV中的CUDA實現(xiàn)更快，證明對算法的并行優(yōu)化的有效性。
　　在復(fù)雜的實際環(huán)境中使用單一的檢測與跟蹤算法已無法滿足目標(biāo)跟蹤的實用性要求。本文基于光流法和壓縮跟蹤算法，提出一種融合跟蹤、在線學(xué)習(xí)以及檢測技術(shù)的目標(biāo)跟蹤方法。實驗結(jié)果表明，該