基于cuda的视频运动目标检测算法并行实现 parallel implementation of video moving object detection algorithm based on cuda.pdfVIP

杭州电子科技大学学报(自然科学版) V01．36NO．3 Journalof Dianzi HangzhouUniversity(NaturalSciences) 2016 May DOI：10．13954／j．enki．hdu．2016．03．005 基于CUDA的视频运动目标检测算法并行实现 楼先濠，郭春生，宋少雷，齐利泉 (杭州电子科技大学通信工程学院，浙江杭州310018) 摘要：在视频运动目标检测的能量优化算法中，引入目标先验约束信息，能有效地提高目标检测性 能，同时也极大地增加了算法的复杂度．以CUDA平台为基础，从算法并行任务划分，实现粗细粒 度并行；从合理规划GPU内存分配，提高数据的吞吐率两方面实现了带约束的能量优化视频运动 目标检测算法的高效并行．实验结果表明，算法的GPU并行实现与CPU串行实现相比，显著提高 了计算速度． 关键词：目标检测；能量优化；并行计算；统一计算设备架构 中图分类号：TN911．73 文献标识码：A 文章编号：1001—9146(2016)03—0023—04 0 引 言 基于混合高斯背景建模的检测算法在视频运动目标检测领域得到广泛应用，但存在目标空洞、目标 伪装和复杂背景适应性等问题[1]，因此基于全局能量最小化的混合高斯背景建模的运动目标检测算法 得到关注[2]．带目标先验信息约束的全局能量最小化运动目标检测算法在改善运动目标检测性能的同 时，也带来了计算量显著增加的问题．例如，当采用最大流／最小割的MATLAB实现对分辨率为768× 576的视频序列进行运动目标分割，网络流参数计算和分配部分占全部计算时间的90％以上，严重影响 了算法的计算效率．近年来，高重复性且运算量大的图像视频分析处理常利用GPU并行计算来改善计 算效率．文献[3]利用GPU加速实现了非参数背景建模实时运动目标检测，文献[4]则利用统一计算设 UnifiedDevice 备架构(Compute 检测．本文通过分析带目标先验信息约束的全局能量最小化运动目标检测算法中网络流计算部分的并 行性，结合CUDA存储架构特点，实现了算法的并行计算，提高了目标检测的实时性．实验中对分辨率 为768X 576的视频序列进行测试，结果表明本算法的并行处理速度能够接近实时． 1视频运动目标检测算法 本文采用的基于最大流／最小割的能量最小化方法，其能量函数表示为： (1) E(A)一R(A)+徊(A)=∑R。(A。)+A∑B。，。(A。，A。)． ”∈N ．m∈1i 1，A。一0分别表示像素点竹属于目标或背景，Q为图中所有相邻像素对7／-,m的集合．R。(A。)为区域项， 表示将像素咒划分为目标或背景时的惩罚；E．。(A。，A。)为边界约束项，表示将相邻像素点7／和m分割为 不同区域时的惩罚；A表示区域项和边界约束项的相对重要性．本文中R。(A。)和B…表示为：R。(A。)。C— in 收稿日期：2015一i0—16 基金项目：国家自然科学基金资助项目 gmail．corn． 万方数据 24 杭州电子科技大学学报(自然科学版) 2016焦 率密度值，口：、旌、碟分别表不K个背景高斯模型分布的均值、方差和权重系数，p(J。)司用如F表达式 进筹≥ 州卜奎卜志唧(一掣))． ㈣ ^，。为掏邻两个像素点m，咒受加权梯度约束时分属于目标和