论文部分内容阅读
近年来,智能视频监控系统因其强大的功能和实用性越来越多的被应用于人们的日常生活中,现已成为计算机视觉领域中颇受关注的前沿课题。运动目标跟踪技术不仅是视频监控系统中的关键技术,更成为该领域中的研究热点之一。运动目标跟踪是在监控环境中能够判断出进入特定区域的目标,对其进行定位跟踪并画出行进轨迹。本论文对静态背景下视频序列中的特定运动目标跟踪算法进行了分析和研究。其中,如何在海量视频图像数据中快速实现运动目标跟踪成为本文的重点。现在,GPU通用计算技术已经越来越多的应用于高性能计算领域,使其成为数据计算的绝对主力。同时,Nvidia公司研究并公开了新的统一计算架构CUDA,使得GPU拥有更好的可编程性,并对可并行化处理算法实现加速具有良好效果。由于在复杂场景中,对跟踪目标实时性要求很高,其算法复杂度和计算量相对较大。仅使用CPU进行海量数据的处理已出现了瓶颈,很难满足目标跟踪实时性的要求。本文针对已有的基于CPU实现的目标跟踪算法,认真分析了算法流程以及算法中处理视频图像数据量大且耗时的部分。分别对图像预处理模块算法和跟踪模块算法设计了详细的并行可操作流程。研究了图像预处理模块的几种算法,并分别对其进行了GPU并行加速处理,在CUDA计算统一设备上进行了测试。SIFT特征匹配提取算法是目前最为准确的用于实现图像特征匹配和识别的算法之一,也是目标跟踪算法中重要组成部分。本文对其进行了重点分析和研究,提出了利用CUDA架构进行优化和改进的方案和建议。通过抓取视频流中像素大小相同的图像进行比较和验证GPU与CPU的加速比,获取了测试结果,以及相对应的分析。实验数据表明,算法中某些部分通过CUDA优化之后可提高目标跟踪算法整体的执行效率,具有一定的实际意义。