基于GPU的目标跟踪算法研究与实现-计算机体系结构专业论文.docxVIP

万方数据 万方数据 RESEARCH OF GPU BASED OBJECT TRACKING ALGORITHM DESIGN AND ITS APPLICATION Master Thesis Submitted to University of Electronic Science and Technology of China Major: Computer Architecture Author: Pengfei Liu Advisor: Prof. Hang Lei School: School of Computer Science Engineering 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 摘 要 摘 要 目标跟踪技术是根据视频序列图像帧之间的相关性，寻找目标在每一帧图像上 的位置及其他信息。它是目前计算视觉领域的研究热点之一，被广泛地应用于视 频智能监控、智能机器人视觉、交通智能化、现代人机交互等领域。随着 GPU 技术的发展，目前主流计算机的处理能力主要来自 CPU 和 GPU，利用 GPU 的计 算资源来实现提高计算效率成为一个必然的趋势。目前传统的目标跟踪算法大都 是串行计算的，执行速度有待进一步的提升。而且多数目标跟踪算法都是在 CPU 上实现的，没有考虑到 GPU 的计算资源，对计算机的计算资源没有达到充分的利 用。另外目标跟踪算法中存在大量的计算密集型任务，存在需要并行化执行的意 义。 本文对两种经典的目标跟踪算法：Mean Shift 目标跟踪算法、CAMshift 目标 跟踪算法进行了深入研究与分析，寻找其可以被并行化的部分。引入 K-Means 聚 类算法自适应地对颜色空间进行剖分，以便对 Mean Shift 目标跟踪算法进行并行 化改进。在 CPU+GPU 的异构计算平台上引入 GPGPU（基于 GPU 的通用计算）， 基于经典 GPGPU 技术对 CAMshift 目标跟踪算法进行了并行化分析、设计与实现； 采用 CUDA 技术对改进后的传统 Mean Shift 目标跟踪算法进行了实现。分别用两 种不同的 GPGPU 技术对两种目标跟踪算法进行并行化设计与实现。在 CPU+GPU 的异构计算平台上，尽量使 CPU 和 GPU 上负载均衡，减少交换数据的上载和下 载负荷。将算法中计算密集型任务集中到 GPU 上执行以达到减少算法的执行时 间、加快算法执行效率的目的。 最后的实验结果表明：本文对两种目标跟踪算法的并行化改进与设计，在保证 跟踪效果的同时，提高了目标跟踪速度。相对传统串行的目标跟踪算法，并行化 的 CAMshift 算法和 Mean Shift 算法在执行效率上有了一定的提高，缩短了目标 跟踪所需的时间。 关键字：目标跟踪，Mean Shift，CAMshift，GPU I ABSTRACT ABSTRACT In the video sequence processing, video object tracking, which is to locate moving objects in consecutive video frames, has been widely used in different domains such as intelligent video surveillance, military guidance, robotics and intelligent transportation. With the rapid development of the central processing unit (GPU) technology, adopting CPU and GPU to improve the efficiency of computation becomes imperative. Traditional approac