自適應混合高斯背景建模算法的GPU并行優(yōu)化研究.pdf

1、運動目標檢測是視頻跟蹤和分析的基礎，其中一個首要而關鍵的任務是從視頻序列中確定運動目標。背景消減法是目前確定運動目標最常用的方法，其核心是將當前包含運動目標的視頻幀和一個背景參考幀相差，將其中差值較大的像素區(qū)域標記為運動目標。在背景建模各方法中，混合高斯建模方法是公認的檢測效果和適應性都較好的方法，但其所需計算量巨大，難以實時實現(xiàn)。圖形處理器(GPU)通過大量的流計算單元為加速此類應用提供了新的計算平臺，因而針對GPU 平臺，挖掘背景建

2、模算法的并行性并進行優(yōu)化，以提高實時性，對于擴展其應用范圍和降低應用成本，具有重要意義。
　　 通過利用GPU 平臺上的CUDA 編譯環(huán)境，從線程級并行和異步流處理并行兩個方面對自適應混合高斯背景建模算法進行并行化改進。線程級并行化主要是利用CUDA的內核函數(shù)(kernel)，將原算法里的每一個像素的背景更新過程映射到GPU的一個流處理單元上進行處理，通過多線程的并行執(zhí)行，來加速計算速度。異步流處理優(yōu)化借鑒了流計算的邊傳輸邊計算

3、的思想，通過隱藏數(shù)據(jù)傳輸所帶來的時延來加速計算過程。這里利用CUDA 編程模型中的流概念，通過創(chuàng)建多個流，使每個流之間的數(shù)據(jù)傳輸和計算可以重疊進行，這樣就從整體上獲得了計算性能的提升，達到了加速的效果。同時，對每個像素的模型參數(shù)按照行序優(yōu)先的規(guī)則以分塊方式進行組織存放，以配合多流并行處理時內核函數(shù)處理數(shù)據(jù)的需要，保證內核函數(shù)能及時存取所需要的數(shù)據(jù)。
　　 在采用了CUDA 線程級并行化后，通過對分辨率分別為384×288、640

4、×272、720×576、1280×720和1920×1080的視頻進行測試，結果表明，在Debug模式下平均建模時間分別快了40.932ms、94.656ms、228.012ms、547.759ms和861.459ms；而在Release模式下的平均建模時間分別快了10.362ms、33.421ms、71.594ms、173.609ms和156.02ms。在此基礎上，以采用8個數(shù)據(jù)流為參照，進一步進行異步流處理優(yōu)化后，在Release

5、 版本下的測試結果表明：在5種分辨率下，平均建模時間比優(yōu)化前分別又快了2.640ms、3.769ms、10.703ms、19.331ms和55.335ms。由此可見，在GPU平臺上通過線程級并行化和異步流處理優(yōu)化后，確實可以大幅度地加速混合高斯背景建模算法的執(zhí)行過程。
　　 本文研究工作得到國家自然科學基金項目：嵌入式多媒體流計算的自適應機制與跨層優(yōu)化（編號：60873029）和華中科技大學自主創(chuàng)新研究基金（編號：2010MS0