《鉴于CUDA加速的运动对象检测 - 知网检测》由会员分享，可在线阅读，更多相关《鉴于CUDA加速的运动对象检测 - 知网检测（3页珍藏版）》请在装配图网上搜索。
1、鉴于CUDA加速的运动对象检测 - 知网检测 运动目标检测并行计算GPU通用计算CUDAGMMHOG1绪论1.1课题综述与现状这与传统的图像分割(Image Segmentation)技术有些类似。相比之下，传统的图像分割，是从静止图像中抽取感兴趣目标，对图像进行区域分割。而运动目标检测，是针对运动信息进行提取。实际上，运动目标检测算法是基于图像分割算法的。很多特定的运动目标检测算法的指导思想仍旧是图像分割技术，示例值分割、直方图思想等。 运动检测算法的需求，来自智能视频监控技术的开展。视频监控，即通过摄像机监控现场的动态场景，实现日常管理以及在异常情况发生时做出快速反馈。视频监控直观、方便、
2、信息内容丰盛，可以节省人力、物力，降低生产本钱和提高生产效率，从而被广泛应用到许多场合，己经成了工业、效劳行业、乃至各行各业的开展趋势。随着技术的飞速开展，人们对视频监控系统的要求越来越高，智能化在监控领域也得到越来越多的应用。而所谓智能视频监控，是指在经典的视频监控系统上，参加智能信息获取和分析功能，使得系统检测工作智能化，自动化。相比起传统的视频监控系统而言，智能监控系统能够根据用户需求和设置，自动分析实时视频，获取特定的目标运动、方位、动作等信息，并加以记录和处理，以便产生日志报警等工作。结合机器视觉、图像处理等相关知识，通过自动化伎俩，到达快速、准确的分析和报警，节省人力物力的目的。示
3、例，在某些监控场所对平安性的要求比拟高，需要对运动的物体进行及时的检测和跟踪，因此我们需要一些精确的图像检测技术来提供自动报警和目标检测。运动检测作为在安防智能化应用最早的领域，它的技术开展和应用前景都受到人们的关注。 一般的，智能视频监控系统的核心流程大致分为四局部:运动目标检测、目标分类、目标跟踪、行为分析。其中，运动目标检测作为智能视频监控流程的第一环节，其检测效率和检测精度对整个系统占有极其重要的影响。因为后续环节的检测效果受其检测效果的制约和影响，所以人们对运动检测算法提出颇高需求。特别是针对实际应用环境，一方面要保证检测运行效率，另一方面要增加对复杂多变的外界环境造成的图像噪声的应
4、对功能，即在复杂环境下保证检测精度。这是个非常有挑战性的问题。很多算法在良好的测试环境下表现优异，但是在实际应用中差强人意。近年来，针对运动检测算法的改良工作，很大程度上是针对算法的鲁棒性进行的。许多新提出的算法，相比拟之前的算法而言，对图像背景噪声的适应性增强，检测率和检测精度等指标都有很大提高。但是，另一方面，算法的时间复杂度大大增加，算法处理时间无法满足实时性要求。像混合高斯背景建模(GMM)算法，像素梯度直方图(HOG)）算法等，效果良好，但是性能低下。性能瓶颈现在成为了制约这一类算法实用化的最大障碍。 实际上，智能视频监控领域有关算法性能问题的解决计划，在早期就已经有了。之前，针对图
5、像处理的加速，主要是通过算法的硬件化来实现的。即使用嵌入式设备，DSP或者FPGA等伎俩，将大规模耗时的图像算法或者算法中的核心步骤，采用硬件电路实现。这样，数万乃至数百万个CPU时钟周期的代码程序，可以在可编程芯片上使用几千几百个时钟周期实现。这种做法，使得算法的整体处理时间大大缩短，能够将之前在CPU上运行无法到达实时性要求的一些算法，加速到满足一般实时性要求，www.51lunwen.org提供文科论文，论文格式范文，毕业论文格式，论文格式模板，论文参考文献格式，联系方式：QQ357500023， 13795489978。以供给实际产品的使用。但是，这种做法有一些很明显的缺点。相对于软件
6、开发来说，硬件编程难度大，需要硬件底层相关的数学，电学等知识;开发门槛高，程序的调试也异常困难。另一方面，因为硬件编程的根本思维异于软件编程，因此很多针对软件实现的，流程化的算法，实际用硬件实现是相当困难的。综合各方面的问题，硬件开发相比起软件开发来说，周期长，本钱高。对于一般的组织或者人员来说，难以实现。 GPU通用计算的应用与算法加速，主要是在近十年来逐渐兴起的。之前，PC主机显卡上的GPU，主要工作是为了游戏提供大规模高速的特定图形运算加速，主要包括矩阵运算，图像纹理和顶点处理等操作。这些运算虽然速度很快，但是有着很强的专业性。针对的算法主要就是游戏显示中使用的少数几种;而对于开发人员来
7、说，编程要使用专门的图形API接口，图形编程也和普通通用编程不太一样。随着时代开展，显卡的计算能力与性能提升速度远远超越CPU。为了充沛使用显卡的运算资源，有人提出了使用显卡进行大规模并行化的通用计算。为了到达此目的，主流显卡厂商改良显卡的硬件架构以适应新的编程需要，并提出新的，适合一般编程人员学习和容易接受的通用计算API。这样，GPU编程不再是游戏开发人员独有，而是变得更加群众化。在此根底上，催生了一系列算法的GPU通用计算加速应用。其中，图形图像处理方面的应用，因为主要内容是矩阵相关的运算，一般来说，非常适合进行GPU并行化，并且能够获得较高加速比，因此属于热点话题。 CUDA(Comp
8、ute Unified Device Architecture)是NVIDIA公司推出的一种并行编程与计算平台。其面向对象是有大规模数据量和高性能计算需求的客户。2 GPU通用加. 16-30 2.1 GPU历史与. 16-17 2.2 GPGPU. 17-19 2.3 CUDA技术. 19-30 2.3.1 CUDA综述. 19-21 2.3.2 CUDA编程模. 21-25 2.3.3 CUDA程序优化. 25-27 2.3.4 CUDA程序优化. 27-303 运动目标检测. 30-52 3.1 算法综述. 30-33 3.2 GMM算法. 33-40 3.2.1 算法简介. 33-34
9、 3.2.2 算法内容. 34-38 3.2.3 通用算法实. 38-40 3.3 HOG算法. 40-52 3.3.1 算法简介. 40-41 3.3.2 算法内容. 41-44 3.3.3 通用算法实现. 44-524 运动目标检测算法的CUDA. 52-68 4.1 根本思想. 52-54 4.2 GMM算法的CUDA. 54-60 4.2.1 算法并行化. 54-58 4.2.2 改良后的算法. 58-60 4.3 HOG算法的CUDA加速. 60-68 4.3.1 算法并行化. 60-64 4.3.2 改良后的算法. 64-68总结与展望 GMM和HOG的并行化实现过程中，绝大局部设计都尽量遵循了效率最大化原那么，少数细节因为考虑程序设计本钱和代码编写本钱，无法做到尽善尽美。其中最可能造12运动目标检测并行计算GPU通用计算CUDAGMMHOG成性能瓶颈的局部，一是GMM和kernel中高斯背景模型比拟和排序步伐，二是HOG中vote局部。另外HOG中后段的归一化局部和后续向量组织局部可能还有可供优化的余地，但是因为时间问题没有实现。 通过察看HOG算法的运行耗时，和分析HOG算法的实现策略，感觉实际上应该还有一些可以改良的空间。如果在并行任务分配高低工夫，可能能够获得更好的性能提升。反观GMM算法，因为算法本身非常适合以像素为单位进行并行化，提升空间不大。12
鉴于CUDA加速的运动对象检测 - 知网检测
