关键词:
智能视频分析
静态背景
动态背景
目标检测
高斯混合背景建模
GPU
摘要:
随着人们安全意识不断地提高和科学技术的不断地进步,对海量高清视频进行人工分析需要大量的人力物力。智能视频分析能够在没有人为干预下对相机采集到的视频序列进行自动分析,其中智能视频监控已引起了广泛关注。运动目标的检测是智能视频分析的重中之重,决定着智能视频监控结果的好坏。传统的运动目标检测算法都是在CPU上串行执行的,速度有限,若要缩短算法的运行时间,可借助硬件设备对其加速处理。最近,采用图像处理单元(Graphics Processing Unit, GPU)通用技术来解决高性能计算和计算机视觉等领域问题的成功实例越来越多。Nvidia公司推出的统一计算架构CUDA平台,使得程序员能够更好地对GPU进行编程,从而进一步优化并行算法。本文主要工作如下:第一,研究了静态背景下运动目标检测的并行算法,并在GPU上进行实现。背景建模差分法是目前最常用的静态背景下的运动目标检测方法,在众多的背景建模算法中,混合高斯背景建模(Gaussian Mixture Modeling, GMM)算法已被证实为检测效果好且适应性高的算法,但是该算法的运行时间较长,无法满足实时的要求。此外,由于在传统的高斯混合模型中,每个像素点的高斯模型数目在初始化时便被设置为定值无法更改。针对这一问题,本文提出一种动态更改高斯模型数目的自适应高斯混合背景建模算法,并对其进行并优化改进,使得视频图像中的每一个像素点与GPU中线程一一对应,可以大大缩短处理时间,提高处理效率。本文在不同分辨率的视频上进行了仿真实验,实验结果表明在效果相同的情况下,本文提出的方法能够提升处理效率,满足实时的要求。第二,研究了动态背景下运动目标检测的并行算法,并在GPU上进行实现。常用的动态背景下运动目标的检测方法是首先对视频图像进行运动补偿,使得动态背景转换为静态背景,再使用静态背景下运动目标检测算法进行目标的检测。然而整个过程的计算量巨大,无法满足实际应用的需求。本文通过GPU对光流法以及运动补偿进行加速处理得到静态背景,再使用本文提出的自适应高斯混合背景建模的并行算法对运动目标进行检测。实验结果表明,使用该方法能够提高检测的速度和效率。