[發(fā)明專利]一種基于GPU的運動目標檢測方法

有效

• 申請?zhí)枺?/td>: 201210523613.4
• 申請日: 2012-12-06
• 公開（公告）號: CN103020990A
• 公開（公告）日: 2013-04-03
• 發(fā)明（設計）人: 金海;鄭然;鄧巍;章勤
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06T1/20
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 朱仁玲

技術領域

本發(fā)明屬于模式識別和基于GPU的通用計算技術領域，更具體地，涉及一種基于GPU的運動目標檢測方法。。

背景技術

隨著人們安全意識的提高，安防技術和產業(yè)的迅速發(fā)展，視頻監(jiān)控系統廣泛地應用于人們的生活中。傳統的視頻監(jiān)控系統需要視頻監(jiān)控人員長時間持續(xù)監(jiān)視視頻，分析視頻中的異常情況，將異常信息記錄存儲下來，并相應的做出決策，以處理異常情況。這種基于人工的監(jiān)控方式，當視頻監(jiān)控人員疲憊出現疏忽時，將會導致大量漏報、誤報的情況，存在很大的安全隱患，并且這種監(jiān)控方式隨著視頻監(jiān)控范圍的增大，監(jiān)控視頻成幾何級的增加，完全由視頻監(jiān)控人員來監(jiān)視和分析視頻是不可能完成。因此，智能視頻監(jiān)控系統的研究和開發(fā)具有重要意義。

運動目標檢測是智能視頻監(jiān)控的關鍵步驟，只有完成了運動目標檢測，才能進行目標分類和目標跟蹤，進而進行智能分析和對監(jiān)控場景的理解。目前，國內外學者已經對視頻圖像的運動目標檢測算法進行了大量的研究工作。大多數的研究關注運動目標檢測算法的可靠性、檢測結果的精確度，只有少數的研究關注運動目標檢測算法的實時性。而實際應用中，監(jiān)控設備往往是多路的，會在極短的時間內產生大量的圖像數據，對實時性要求很高。傳統CPU的計算能力有限，運動目標檢測算法將無法實時處理如此龐大的數據，無法滿足實時性的要求，因而關注運動目標檢測算法的實時性，利用圖形處理器GPU（Graphics?Processing?Unit）的計算能力來加速運動目標檢測算法具有重要意義。

目前，基于GPU的運動目標檢測算法，主要對基本的、常用的運動目標檢測算法進行并行化，如混合高斯模型的并行化。現存的這些并行方法，雖然在一定程度上加速了運動目標檢測算法，但仍然存在一些問題，主要包括：1）在復雜的環(huán)境下，現存的并行方法不能保證檢測的準確性；2）在并行實現的過程中，未考慮算法對不同分辨率的圖像序列和不同的GPU硬件結構的適應性問題；3）在并行實現的過程中，未考慮分支語句過多的優(yōu)化問題。

發(fā)明內容

針對現有技術的缺陷，本發(fā)明的目的在于提供一種基于GPU的運動目標檢測方法，旨在解決現有運動目標檢測算法的準確性和實時性問題，并使運動目標檢測同時滿足準確性和實時性的要求。

為實現上述目的，本發(fā)明提供了一種基于GPU的運動目標檢測方法，包括以下步驟：

（1）加載視頻訓練數據到GPU顯存中；

（2）按照局部Z形塊的方式對視頻訓練數據進行存儲；

（3）提取視頻訓練數據的多特征數據，并采用自適應權值模型融合多特征數據，以建立基于多特征的碼本模型；

（4）加載視頻測試數據到GPU顯存中；

（5）按照局部Z形塊的方式對視頻測試數據進行存儲；

（6）利用基于多特征的碼本模型對視頻測試數據進行運動目標檢測；

（7）利用運動目標檢測的結果對基于多特征的碼本模型進行更新；

（8）將運動目標的檢測結果保存在CPU端。

步驟（2）包括以下子步驟：

（2-1）將視頻訓練數據劃分成多個的圖像子塊；

（2-2）對每個圖像子塊按4*8和8*4兩種方式進行存儲；

（2-3）分別計算每個圖像子塊在兩種存儲方式下的分支語句量S1和S2；具體計算方法如下：

分別統計圖像子塊中可能為前景點的像素點數目N_fg和可能為背景點的像素點數目N_bg，圖像子塊的像素點總數目為N；

然后，根據以下公式（1）計算分支語句量S；

S=1-|Nfg-Nbg|N---(1)]]>

（2-4）判斷分支語句量S1是否大于S2，若S1大于S2，則轉入步驟（2-6），否則轉入步驟（2-5）；

（2-5）選擇4*8的存儲方式作為圖像子塊的存儲方式，轉入步驟（3）；