基于图形处理器的视频二值概率分割.docVIP

基于图形处理器的视频二值概率分割 　　摘要：针对现有视频二值分割算法分割性能过低的问题，提出了一种基于GPU的视频实时二值概率分割算法。该算法通过规范化视频帧中每个像素属于前景类和背景类的概率大小，实现了基于二次马尔可夫测量场（QMMF）模型的视频实时二值概率分割。首先分别为不同场景的视频帧提出了两种概率模型，即静态背景概率模型（SBLM）和动态背景概率模型（UBLM）；然后，通过光照矫正算法颜色转换、阴影抑制算法阴影检测以及伪装检测算法来计算每个像素属于背景类的概率值；最后，通过GaussSeidel模型迭代计算出了使能量函数取得最小值的背景概率值进而得到像素的二值化值。此外，为了提高算法分割的准确性，该算法包含了对光照突变、投射阴影以及伪装情况的实时处理。同时，为了满足算法的实时性要求，在NVIDIA GPU上并行实现了该算法。验证了所提算法的分割性能即算法分割的正确性，测试了算法的GPU执行时间。实验结果表明，在算法分割完整性方面ViBe+和GMM+的平均漏检率和平均误检率分别是QMMF的3倍和6倍；在算法执行时间方面ViBe+和GMM+的平均GPU执行时间大约是QMMF的1.3倍。此外，还计算了QMMF算法的GPU加速比约为76.8。 　　关键词：二值分割；二次规划；二次马尔可夫测量场模型；概率；GaussSeidel模型；统一计算设备架构 　　中图分类号： TP319 　　文献标志码：A 　　0引言 　　视频序列的二值分割是指根据视频帧的某些特性（像强度、颜色或者是纹理）将视频帧分割为0和1的过程。它是计算机视觉处理中的一个最基本问题，通常处于其他视频分析任务像视频监控、电话会议、动作识别和检索等的预处理阶段。近年来，在计算机视觉和图像处理领域已经提出了很多相关的技术，但是这些技术不论是在分割的准确性上还是在执行时间上都存在很大的改进。本文针对现有视频二值分割算法分割性能过低的问题，提出了一种基于图形处理器（Graphics Processing Unit， GPU）的视频实时二值概率分割算法。该算法通过规范化视频帧中每个像素属于前景类和背景类的概率大小，实现了基于二次马尔可夫测量场（Quadratic Markov Measure Field， QMMF）模型[1-3]的视频实时二值概率分割。选择QMMF的原因是因为这个模型能够很灵活地定义和实现各种任务的分割[3]并且该模型的优化算法能够很容易地并行化[1]。在QMMF中，一个分割算法可以被定义为一个二次规划问题，该问题的数据项取决于对特定任务的概率估计。该概率值可以被看作是数据属于各个类的优先级。 　　本文主要针对的是视频的实时二值分割，所以像素所属的类有两个即背景类和前景类。所提算法的实现包括3个步骤：首先，分别为不同场景的视频帧提出了两种概率模型，即静态背景概率模型（Static Background Likelihood Model，SBLM）和动态背景概率模型（Unstable Background Likelihood Model， UBLM）； 然后，通过光照矫正算法颜色转换、阴影抑制算法阴影检测以及伪装检测算法来计算每个像素属于背景类的概率值； 最后，通过GaussSeidel模型迭代计算出使能量函数取得最小值的背景概率值，进而得到像素的二值化值。此外，为了提高算法分割的准确性，该算法包含了对光照突变、投射阴影以及伪装情况的实时处理。同时，为了满足算法的实时性要求，在NVIDIA GPU上并行实现了该算法。 　　1相关工作 　　由于视频序列的二值分割是处理其他视频任务的基础，并且视频分割的好坏直接影响后面视频任务的处理。因此，近年来提出了许多与视频二值分割相关的算法，但这些算法不论是在分割的准确性上还是在算法执行的时间上都存在很大的局限性。其中，最常用的视频二值分割算法是高斯混合模型（Gaussian Mixture Model， GMM）[4]。GMM是一个多模态视频二值分割算法。通常，它的分割效果主要取决于背景模型中高斯分布的个数，即个数越多分割效果越好。同时，随着高斯分布个数的增多，算法的执行时间也在不断增加。最近，对该算法进行了很多的改进来满足视频的实时二值处理[5-6]。其次是ViBe算法，由于其简单且易于实现的优势，该算法在很多领域得到了广泛的应用。ViBe算法也有很多的缺陷，如背景样本占用大量的空间，并且检测过程中容易出现“鬼影”等。基于这些缺陷，国内外很多学者对该算法进行了大量的改进[7-9]。虽然GMM和ViBe算法在分割效果和执行时间上得到了很大的改进，但是面对包含像光照突变、移动阴影和伪装情况等的动态背景大分辨率视频在分割效果和执行时间上还是不能满足人们的需求。本文针对现有视频二值分割算法分割性能低的