自適應(yīng)混合高斯背景建模算法的GPU并行優(yōu)化研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)是視頻跟蹤和分析的基礎(chǔ)，其中一個(gè)首要而關(guān)鍵的任務(wù)是從視頻序列中確定運(yùn)動(dòng)目標(biāo)。背景消減法是目前確定運(yùn)動(dòng)目標(biāo)最常用的方法，其核心是將當(dāng)前包含運(yùn)動(dòng)目標(biāo)的視頻幀和一個(gè)背景參考幀相差，將其中差值較大的像素區(qū)域標(biāo)記為運(yùn)動(dòng)目標(biāo)。在背景建模各方法中，混合高斯建模方法是公認(rèn)的檢測(cè)效果和適應(yīng)性都較好的方法，但其所需計(jì)算量巨大，難以實(shí)時(shí)實(shí)現(xiàn)。圖形處理器(GPU)通過(guò)大量的流計(jì)算單元為加速此類應(yīng)用提供了新的計(jì)算平臺(tái)，因而針對(duì)GPU 平臺(tái)，挖掘背景建

2、模算法的并行性并進(jìn)行優(yōu)化，以提高實(shí)時(shí)性，對(duì)于擴(kuò)展其應(yīng)用范圍和降低應(yīng)用成本，具有重要意義。
　　 通過(guò)利用GPU 平臺(tái)上的CUDA 編譯環(huán)境，從線程級(jí)并行和異步流處理并行兩個(gè)方面對(duì)自適應(yīng)混合高斯背景建模算法進(jìn)行并行化改進(jìn)。線程級(jí)并行化主要是利用CUDA的內(nèi)核函數(shù)(kernel)，將原算法里的每一個(gè)像素的背景更新過(guò)程映射到GPU的一個(gè)流處理單元上進(jìn)行處理，通過(guò)多線程的并行執(zhí)行，來(lái)加速計(jì)算速度。異步流處理優(yōu)化借鑒了流計(jì)算的邊傳輸邊計(jì)算

3、的思想，通過(guò)隱藏?cái)?shù)據(jù)傳輸所帶來(lái)的時(shí)延來(lái)加速計(jì)算過(guò)程。這里利用CUDA 編程模型中的流概念，通過(guò)創(chuàng)建多個(gè)流，使每個(gè)流之間的數(shù)據(jù)傳輸和計(jì)算可以重疊進(jìn)行，這樣就從整體上獲得了計(jì)算性能的提升，達(dá)到了加速的效果。同時(shí)，對(duì)每個(gè)像素的模型參數(shù)按照行序優(yōu)先的規(guī)則以分塊方式進(jìn)行組織存放，以配合多流并行處理時(shí)內(nèi)核函數(shù)處理數(shù)據(jù)的需要，保證內(nèi)核函數(shù)能及時(shí)存取所需要的數(shù)據(jù)。
　　 在采用了CUDA 線程級(jí)并行化后，通過(guò)對(duì)分辨率分別為384×288、640

4、×272、720×576、1280×720和1920×1080的視頻進(jìn)行測(cè)試，結(jié)果表明，在Debug模式下平均建模時(shí)間分別快了40.932ms、94.656ms、228.012ms、547.759ms和861.459ms；而在Release模式下的平均建模時(shí)間分別快了10.362ms、33.421ms、71.594ms、173.609ms和156.02ms。在此基礎(chǔ)上，以采用8個(gè)數(shù)據(jù)流為參照，進(jìn)一步進(jìn)行異步流處理優(yōu)化后，在Release

5、 版本下的測(cè)試結(jié)果表明：在5種分辨率下，平均建模時(shí)間比優(yōu)化前分別又快了2.640ms、3.769ms、10.703ms、19.331ms和55.335ms。由此可見(jiàn)，在GPU平臺(tái)上通過(guò)線程級(jí)并行化和異步流處理優(yōu)化后，確實(shí)可以大幅度地加速混合高斯背景建模算法的執(zhí)行過(guò)程。
　　 本文研究工作得到國(guó)家自然科學(xué)基金項(xiàng)目：嵌入式多媒體流計(jì)算的自適應(yīng)機(jī)制與跨層優(yōu)化（編號(hào)：60873029）和華中科技大學(xué)自主創(chuàng)新研究基金（編號(hào)：2010MS0