一種基于gpu平臺的突變光照魯棒性前景檢測算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種前景檢測算法，具體地說，是涉及一種基于GPU平臺的突變光照 魯棒性前景檢測算法。
【背景技術(shù)】
[0002] 混合高斯模型（GMM)前景檢測算法是一種利用高斯模型對視頻像素點進行建模且 實時更新，并最終檢測到運動目標的前景檢測算法。在實際應(yīng)用中，混合高斯模型由于性能 優(yōu)異，穩(wěn)定性好，被廣泛應(yīng)用，但是也存在一些問題，比如在光照突變、樹枝抖動、畫面抖動、 陰影、浮云等環(huán)境干擾存在的情況下會有虛假前景產(chǎn)生，在這些復(fù)雜場景下，很容易造成算 法結(jié)果出現(xiàn)較大誤差，使結(jié)果不準確。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基于GPU平臺的突變光照魯棒性前景檢測算法，解決 現(xiàn)有技術(shù)中存在的因復(fù)雜場景帶來的較大誤差問題，提供算法精度和運行效率。
[0004] 為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下： 一種基于GPU平臺的突變光照魯棒性前景檢測算法，包括以下步驟： (a) 系統(tǒng)初始化，CPU為CPU和GPU設(shè)備申請內(nèi)存空間，讀取模型參數(shù)信息，將CPU上的 彩色圖轉(zhuǎn)化為灰度圖，并與模型參數(shù)信息一起傳輸?shù)紾PU設(shè)備上； (b) 根據(jù)當前圖與背景圖相應(yīng)位置像素點的空間關(guān)系，在GPU上計算像素 i的歸一化互 相關(guān)特征//和/;2紋理特征：
其中，^表示像素 i的鄰域窗口，表示當前圖屬于g鈉的像素值，％表示背景圖屬 于_內(nèi)的像素值，
表示在當前圖像素 i領(lǐng)域窗口 ^::內(nèi)的平均值，
表示在背景圖像素 i領(lǐng)域窗口 ％內(nèi)的平均值。^表示％窗口內(nèi)像素 的位置索引。
[0005] (C)計算每個像素 i的低維特征向量，將歸一化互相關(guān)特征謂和紋理 特征//與當前灰度像素值一起，作為混合高斯模型的輸入量來更新混合高斯模型，得到前 景檢測模型的前景圖和背景圖； (d)將最終得到的檢測結(jié)果圖像從GPU傳輸回CPU。
[0006] 優(yōu)選地，所述步驟（a)中，GPU中數(shù)據(jù)類型、大小一致的中間數(shù)據(jù)的內(nèi)存空間申請 為連續(xù)空間地址。
[0007] 優(yōu)選地，所述步驟（b)和（c)中，歸一化互相關(guān)特征_和紋理特征的計算采用 相鄰的線程處理相鄰的像素點的方式進行。
[0008] 優(yōu)選地，所述步驟（C )中，每個線程為一個像素點單獨建立混合高斯模型。
[0009] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果： (1)本發(fā)明提出在GPU平臺上，利用當前圖與背景圖空間相似性的一種混合高斯模型， 既解決了由于復(fù)雜場景引起的虛假前景問題，又提高了算法的運行效率，增加了算法在項 目上的實用性。
[0010] (2)本發(fā)明利用可編程的GPU的高度并行化、多線程、多處理核心特性，以及杰出 的計算效率和極高的存儲器帶寬能力，運用在前景檢測算法中實現(xiàn)并行運算，以提高運算 效率，從而大大提高了前景檢測算法的運算效率，使其能夠滿足更高更快的要求，提高了其 應(yīng)用領(lǐng)域和適應(yīng)范圍。
[0011] (3)本發(fā)明為GPU的數(shù)據(jù)空間提供了連續(xù)存儲地址，從而在并行計算時能夠減少 寄存器數(shù)量，間接的提高了運行效率。
[0012] (4)本發(fā)明結(jié)合空間相似模型的混合高斯模型，提高了混合高斯模型的前景檢測 精度，對光照突變、樹枝抖動、畫面抖動、陰影、浮云等干擾，具有較好的魯棒性。
【附圖說明】
[0013] 圖1為本發(fā)明的流程示意圖。
【具體實施方式】
[0014] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明，本發(fā)明的實施方式包括但不限于 下列實施例。 實施例
[0015] 如圖1所示，本發(fā)明公開的基于GPU平臺的突變光照魯棒性前景檢測算法，按照以 下步驟進行： a、通過CPU申請為CPU和GPU申請需要的內(nèi)存空間，進行系統(tǒng)初始化，讀取相關(guān)混合高 斯模型的參數(shù)信息，然后將CPU上的彩色圖轉(zhuǎn)化為灰度圖，與混合高斯模型的參數(shù)信息一 起傳輸?shù)紾PU設(shè)備上?；诒纠休斎氲紾PU核函數(shù)并行計算里面表示中間結(jié)果的數(shù)據(jù)比 較多，在分配GPU上數(shù)據(jù)空間時，如果某些中間數(shù)據(jù)大小、類型較一致，則順序申請連續(xù)的 空間，這樣在并行計算時，可以減少用到的寄存器數(shù)量，間接的提高優(yōu)化效率。
[0016] b、根據(jù)當前圖與背景圖相應(yīng)位置像素點的空間關(guān)系，建立空間相似性模型，逐圖 像像素掃描，分別為圖像的像素建立高斯混合模型?？臻g相似度模型的基本思想是在保持 像素獨立性假設(shè)下提取紋理，得到基于空間相似性的歸一化互相關(guān)性和紋理特征，本發(fā)明 則為了提高運算效率，由GPU設(shè)備計算像素 i的歸一化互相關(guān)特征和紋理特征//。在處 理過程中，由相鄰的線程處理相鄰的像素點以提高GPU上讀取數(shù)據(jù)效率。
c、通過式（5)計算得到對應(yīng)于每個像素 i的低維特征向量1??:??特征，然后將歸 一化互相關(guān)特征g和紋理特征與當前灰度像素值一起，作為混合高斯模型的輸入來更 新混合高斯模型。在處理過程中，相鄰的線程處理相鄰的像素點，每個線程為一個像素建立 模型。最終得到前景檢測模型的前景圖和背景圖。
[0018] d.將最終得到的檢測結(jié)果圖像從GPU傳輸回CPU。
[0019] 本發(fā)明原理簡單，巧妙地運用GPU特點，將CPU和GPU相互結(jié)合，在實現(xiàn)混合高斯 模型前景檢測算法的同時，解決了因運算量大帶來的效率底下的問題，提高了其運算效率， 同時還解決了光照突變、樹枝抖動、畫面抖動、陰影、浮云等環(huán)境干擾問題，使其具有了良好 的魯棒性，大大提高運算精度，擴大了應(yīng)用領(lǐng)域和適應(yīng)范圍。
[0020] 上述實施例僅為本發(fā)明的優(yōu)選實施例，并非對本發(fā)明保護范圍的限制，但凡采用 本發(fā)明的設(shè)計原理，以及在此基礎(chǔ)上進行非創(chuàng)造性勞動而作出的變化，均應(yīng)屬于本發(fā)明的 保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征在于，包括以下步驟： (a) 系統(tǒng)初始化，CPU為CPU和GPU設(shè)備申請內(nèi)存空間，讀取模型參數(shù)信息，將CPU上的 彩色圖轉(zhuǎn)化為灰度圖，并與模型參數(shù)信息一起傳輸?shù)紾PU設(shè)備上； (b) 根據(jù)當前圖與背景圖相應(yīng)位置像素點的空間關(guān)系，在GPU上計算像素i的歸一化互 相關(guān)特征和紋理特征:(c) 計算每個像素i的低維特征向量福夫，將歸一化互相關(guān)特征_和紋理特征 與當前灰度像素值一起，作為混合高斯模型的輸入量來更新混合高斯模型，得到前景檢 測模型的前景圖和背景圖； (d) 將最終得到的檢測結(jié)果圖像從GPU傳輸回CPU。2. 根據(jù)權(quán)利要求1所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述步驟（a)中，GPU中數(shù)據(jù)類型、大小一致的中間數(shù)據(jù)的內(nèi)存空間申請為連續(xù)空間 地址。3. 根據(jù)權(quán)利要求1所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述步驟（b)和（c)中，歸一化互相關(guān)特征和紋理特征Jf的計算采用相鄰的線程 處理相鄰的像素點的方式進行。4. 根據(jù)權(quán)利要求1所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述步驟（c)中，每個線程為一個像素點單獨建立混合高斯模型。5. 根據(jù)權(quán)利要求1所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述式（1)優(yōu)化為6. 根據(jù)權(quán)利要求5所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述式（3)和（4)拆解為下列組合：7. 根據(jù)權(quán)利要求6所述的一種基于GPU平臺的突變光照魯棒性前景檢測算法，其特征 在于，所述步驟（c)中通過式（5)計算每個像素i的低維特征向量。
【專利摘要】本發(fā)明公開了一種基于GPU平臺的突變光照魯棒性前景檢測算法，包括以下步驟：（a）系統(tǒng)初始化，CPU為CPU和GPU設(shè)備申請內(nèi)存空間，讀取模型參數(shù)信息，將CPU上的彩色圖轉(zhuǎn)化為灰度圖，并與模型參數(shù)信息一起傳輸?shù)紾PU設(shè)備上；（b）根據(jù)當前圖與背景圖相應(yīng)位置像素點的空間關(guān)系，在GPU上計算像素i的歸一化互相關(guān)特征和紋理特征：(c)計算每個像素i的低維特征向量？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？，將歸一化互相關(guān)特征和紋理特征與當前灰度像素值一起，作為混合高斯模型的輸入量來更新混合高斯模型，得到前景檢測模型的前景圖和背景圖；（d）將最終得到的檢測結(jié)果圖像從GPU傳輸回CPU。本發(fā)明解決了光照突變等環(huán)境干擾問題，使其具有了良好的魯棒性，大大提高運算精度。
【IPC分類】G06T7/20
【公開號】CN105046722
【申請?zhí)枴緾N201510469834
【發(fā)明人】曹泉, 李玲
【申請人】深圳市哈工大交通電子技術(shù)有限公司
【公開日】2015年11月11日
【申請日】2015年8月4日