[发明专利]基于CUDA技术的背景建模加速方法

说明书

技术领域

本发明涉及模式识别，特别涉及基于视频的背景建模加速。

背景技术

随着人们安全意识的提高，视频监控系统已经越来越多的应用于各种场合，比如银行、地铁、体育场馆、交通监管和监狱等地方。传统的视频监控系统往往需要很多人力物力，并且需要视频监控人员长时间持续监视视频，分析视频中的异常情况，将异常信息记录存储下来，并相应的做出决策，以处理异常情况。这项工作具有枯燥性和持续性的特点。监控者长时间工作下来，身体和精神极易产生疲劳感，会导致大量漏报、误报的情况，给安全提出极大的挑战。因此，开发出具有实际意义的智能视频监控系统日益变得迫切和必要。

所谓智能视频监控，就是指在没有人工干预的情况下，计算机自动从各种视频监控设备中获取图像序列，然后对场景信息进行分析，完成对场景信息的理解，自动监控各种异常情况的发生，对异常情况进行记录和存储，并根据预先设定好的策略进行决策。

对视频图像进行背景建模对智能视频监控有重大的意义。背景建模的方法因为实现简单并且能够提供较多的特征，被广泛的应用于运动目标检测中。而运动目标检测在智能监控中起着基础性作用。只有完成了运动目标检测，才能进行目标分类和目标追踪，进而完成对监控场景的理解。

目前已经有很多算法对视频图像的背景模型进行研究，但它们往往着眼于获取更为精确的背景模型和提供更多的特征，不致力于改进算法的效率。在实际使用环境中，往往同时有几路至几十路的监控设备，这些监控设备会在极短的时间内产生大量的图像数据。在面对海量数据时，已有的背景建模算法往往达不到实时的速度。背景建模算法处于智能视频监控的最底层，当背景建模算法速度达不到实时，计算机对整个场景的分析理解也随之延迟。那么，不仅监控系统中已有的算法无法正常运行，而且当使用需求增加时还无法集成更多的算法。这样，算法的应用受到了很大的限制。

近年来，GPU的通用编程能力和浮点运算能力飞速发展，并且价格低廉，为算法的加速提供了一种新的解决手段。英伟达公司针对其GPU的特点，提出一种利用GPU进行通用计算的平台CUDA。图1为CUDA的体系结构。虽然不同型号GPU含有的流处理器(Multiprocessor)数量不同，但它们有其它很多共同点。每个流处理器含有8个处理核心(Processor)，8192个寄存器，16KB大小的共享内存(Shared Memory)，一定数量的全局内存(Global Memory)，一定数量的常缓冲(Constant Cache)和纹理缓冲(Texture Cache)。全局内存比共享内存大，可以存储较多的数据，但访问速度却较为缓慢。每个流处理器支持最多达768个活动线程(thread)。与CPU线程不同，CUDA线程可以互不干扰的并行计算，并且较CPU线程更加轻量级，线程切换消耗更少的资源和时间。多个线程都组成一个线程块(thread block)，而多个线程块又组成一个线程块栅格(block grid)。当执行运算时，同一个线程块只能在一个流处理器上执行，也即是每个线程块最多能利用16KB的共享内存。

现有技术的背景建模算法往往着眼于获取更为精确的背景模型和提供更多的特征数据，不致力于算法效率的改进提升。这样当有很多路监控设备时，会产生海量的图像数据，已有的背景建模算法无法达到实时的运行速度。

发明内容

为了解决现有技术的问题，本发明的目的是提供一种基于CUDA技术的背景建模加速方法。在不改变背景建模算法效果的情况下，大大提升背景建模算法的效率。

为了实现上述目的，一种背景模型算法加速方法，包括步骤：

对导入到GPU中的图像进行滤波；

每个线程为对应的像素建立高斯模型，其中，把当前线程块需要的高斯模型的参数数据写入共享内存，计算完毕后，将计算结果从共享内存写入全局内存。

本发明具有普遍的适用性。无论是在车流量大的场景，还是流量小的场景，都可以获得基本一致的加速。本发明应用于智能视频监控领域，用于提高背景建模算法的效率，从而使系统面对较大数据量时能保证实时运行，并且可以将多余的资源分配给其它算法使用，给其它功能的改善提供了一定的空间。本发明应用于计算机视觉领域的物体聚类。加速物体的聚类过程，减少大量等待时间。

附图说明

图1示出CUDA体系结构；

图2示出CPU和GPU浮点运算能力比较；

图3示出CPU和GPU带宽大小比较；

图4示出混合高斯模型算法实现步骤；

图5a示出园区监控视频CPU处理和GPU处理效果对比；