基于图形处理器可变形部件模型算法并行化.docVIP

基于图形处理器可变形部件模型算法并行化 　　摘要：目前目标识别领域，在人体检测中精确度最高的算法就是可变形部件模型(DPM)算法，针对DPM算法计算量大的缺点，提出了一种基于图形处理器(GPU)的并行化解决方法。采用GPU编程模型OpenCL，对DPM算法的整个算法的实现细节采用了并行化的思想进行重新设计实现，优化算法实现的内存模型和线程分配。通过对OpenCV库和采用GPU重新实现的程序进行对比，在保证了检测效果的前提下，使得算法的执行效率有了近8倍的提高。 　　关键词：可变形部件模型;OpenCL;人体检测;图形处理器 　　引言 　　目前，在无人驾驶、智能监控、智能交通等人工智能领域中，人工智能正在发挥越来越重要的作用，正在逐渐使人类从繁琐重复的工作中解放出来。目前在这些领域中，由于这些场景都需要实时监测，所以最为普遍的需求是对算法进行并行化加速，以提高算法的执行效率，实现实时化处理。 　　本文将重点介绍一种目标识别算法――可变形部件模型(Deformable Part Model， DPM)算法[1]，目前DPM算法是一个检测精度非常高的算法，在目标检测和人脸识别等方面都有很好的应用，但是该算法也有计算量非常大、无法完成实时性处理等缺点。本文采用并行化编程模型OpenCL，重新设计DPM算法的并行化实现，提高算法的执行效率，使DPM算法应用在实时检测成为可能。 　　一、相关工作 　　目标检测一直是计算机视觉领域内的难题，尤其是像人体这种非刚性物体，文献[1]中提到，这类目标外表和目标大小千差万别，不同角度下人体姿势也是千变万化，由于这类目标不是刚性物体且容易产生形变，所以这类目标检测起来的难度更大。 　　2005年，Dalal等[3]两位法国科学家提出了使用梯度方向直方图(Histogram of Oriented Gradient， HOG)来描述人体的方法，此方法使用基于HOG特征的单一模板来表示目标，采用HOG+支持向量机(Support Vector Machine，SVM)分类的方法进行人体检测。使用此模板在图像的多个尺度和图像中所有位置上进行人体检测，进而判别该区域是否包含人体。目前对HOG算法的并行化已经比较成熟，OpenCV中也已经提供了HOG算法的并行化版本。 　　文献[1]中详细介绍了DPM算法的实现细节，包含训练和检测两部分的细节实现，训练部分介绍关于隐藏变量支持向量机(Latent Support Vector Machine， LSVM)分类器的训练， 目前已成为众多分类器、分割、人体姿态和行为分类的重要部分。DPM算法的实现较为复杂，考虑到根和部件的两方面，人体的整体作为根，四肢、头部和肩部等可以作为部件，通过模型，考虑到部件的惩罚，可以最终算出一个根和部件的总分，这样检测效果显著提高，但是由于算法复杂性的提高，导致执行时间大幅增加。然而对于DPM算法的并行化研究工作依然比较少。 　　2012年，欧洲计算机视觉国际会议(Europeon Conference on Computer Vision， ECCV)，来自美国伯克利大学的团队，所作的研究就是对DPM算法进行优化，使之能满足实时性要求。该团队提出一种稀疏模型，使DPM算法的计算量减少，结合图形处理器(Graphics Processing Unit， GPU)加速运算，使算法完全满足实时性的要求，而且在物体的模型训练上也比较全面，检测精度也非常高。 　　文献[2]介绍了基于计算统一设备架构(Compute Unified Device Architecture， CUDA)实现DPM算法并行化的工作，并获得了10倍的加速比。但是基于CUDA的并行化程序只能运行在Nvidia的独立显卡上，无法实现通用性。而OpenCL作为行业标准，具有通用性。因此，本文考虑采用OpenCL编程模型完成DPM算法的并行化移植。 　　文献[3]介绍了梯度方向直方图(HOG)算法的原理，可变形部件模型(DPM)算法的原理是HOG算法的优化，在算法的原理上具有相似的实现原理。文献[4-9]介绍了基于GPU的算法优化和实现原理，以及对算法的改进和DPM算法在不同领域的应用。 　　其中，文献[1]中详细介绍了DPM算法的实现细节，包含训练和检测两部分的细节实现，训练部分介绍关于LSVM分类器的训练。一系列的关于算法并行化的工作也已经实现，文献[4-7]中也提到一些基于GPU的算法并行化，以及算法的改进优化， 参考文献[8-9]等可以看出，国内很多领域都对DPM算法进行研究并应用，文献[9]中将DPM算法应用在人脸检测中，DPM在人脸检测中的检测精度也是非常高的，特别适合人脸检测的应用领域。 　　通过分析发现，DPM算法虽然检测精度高，但却因计算量巨大而无法对图像进行