[发明专利]一种基于GPU平台的突变光照鲁棒性前景检测算法

说明书

技术领域

本发明涉及一种前景检测算法，具体地说，是涉及一种基于GPU平台的突变光照鲁棒性前景检测算法。

背景技术

混合高斯模型（GMM）前景检测算法是一种利用高斯模型对视频像素点进行建模且实时更新，并最终检测到运动目标的前景检测算法。在实际应用中，混合高斯模型由于性能优异，稳定性好，被广泛应用，但是也存在一些问题，比如在光照突变、树枝抖动、画面抖动、阴影、浮云等环境干扰存在的情况下会有虚假前景产生，在这些复杂场景下，很容易造成算法结果出现较大误差，使结果不准确。

发明内容

本发明的目的在于提供一种基于GPU平台的突变光照鲁棒性前景检测算法，解决现有技术中存在的因复杂场景带来的较大误差问题，提供算法精度和运行效率。

为了实现上述目的，本发明采用的技术方案如下：

一种基于GPU平台的突变光照鲁棒性前景检测算法，包括以下步骤：

（a）系统初始化，CPU为CPU和GPU设备申请内存空间，读取模型参数信息，将CPU上的彩色图转化为灰度图，并与模型参数信息一起传输到GPU设备上；

（b）根据当前图与背景图相应位置像素点的空间关系，在GPU上计算像素i的归一化互相关特征和纹理特征：

其中，表示像素i的邻域窗口，表示当前图属于内的像素值，表示背景图属于内的像素值，表示在当前图像素i领域窗口内的平均值，表示在背景图像素i领域窗口内的平均值。表示窗口内像素的位置索引。

(c)计算每个像素i的低维特征向量，将归一化互相关特征和纹理特征与当前灰度像素值一起，作为混合高斯模型的输入量来更新混合高斯模型，得到前景检测模型的前景图和背景图；

（d）将最终得到的检测结果图像从GPU传输回CPU。

优选地，所述步骤（a）中，GPU中数据类型、大小一致的中间数据的内存空间申请为连续空间地址。

优选地，所述步骤（b）和（c）中，归一化互相关特征和纹理特征的计算采用相邻的线程处理相邻的像素点的方式进行。

优选地，所述步骤（c）中，每个线程为一个像素点单独建立混合高斯模型。

与现有技术相比，本发明具有以下有益效果：

（1）本发明提出在GPU平台上，利用当前图与背景图空间相似性的一种混合高斯模型，既解决了由于复杂场景引起的虚假前景问题，又提高了算法的运行效率，增加了算法在项目上的实用性。

（2）本发明利用可编程的GPU的高度并行化、多线程、多处理核心特性，以及杰出的计算效率和极高的存储器带宽能力，运用在前景检测算法中实现并行运算，以提高运算效率，从而大大提高了前景检测算法的运算效率，使其能够满足更高更快的要求，提高了其应用领域和适应范围。

（3）本发明为GPU的数据空间提供了连续存储地址，从而在并行计算时能够减少寄存器数量，间接的提高了运行效率。

（4）本发明结合空间相似模型的混合高斯模型，提高了混合高斯模型的前景检测精度，对光照突变、树枝抖动、画面抖动、阴影、浮云等干扰，具有较好的鲁棒性。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例

如图1所示，本发明公开的基于GPU平台的突变光照鲁棒性前景检测算法，按照以下步骤进行：

a、通过CPU申请为CPU和GPU申请需要的内存空间，进行系统初始化，读取相关混合高斯模型的参数信息，然后将CPU上的彩色图转化为灰度图，与混合高斯模型的参数信息一起传输到GPU设备上。基于本例中输入到GPU核函数并行计算里面表示中间结果的数据比较多，在分配GPU上数据空间时，如果某些中间数据大小、类型较一致，则顺序申请连续的空间，这样在并行计算时，可以减少用到的寄存器数量，间接的提高优化效率。

b、根据当前图与背景图相应位置像素点的空间关系，建立空间相似性模型，逐图像像素扫描，分别为图像的像素建立高斯混合模型。空间相似度模型的基本思想是在保持像素独立性假设下提取纹理，得到基于空间相似性的归一化互相关性和纹理特征，本发明则为了提高运算效率，由GPU设备计算像素i的归一化互相关特征和纹理特征。在处理过程中，由相邻的线程处理相邻的像素点以提高GPU上读取数据效率。

所述式（1）优化为

式（2）优化为