基于GPU的目標(biāo)跟蹤算法研究與實(shí)現(xiàn).pdf

1、目標(biāo)跟蹤技術(shù)是根據(jù)視頻序列圖像幀之間的相關(guān)性，尋找目標(biāo)在每一幀圖像上的位置及其他信息。它是目前計(jì)算視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，被廣泛地應(yīng)用于視頻智能監(jiān)控、智能機(jī)器人視覺(jué)、交通智能化、現(xiàn)代人機(jī)交互等領(lǐng)域。隨著 GPU技術(shù)的發(fā)展，目前主流計(jì)算機(jī)的處理能力主要來(lái)自CPU和GPU，利用GPU的計(jì)算資源來(lái)實(shí)現(xiàn)提高計(jì)算效率成為一個(gè)必然的趨勢(shì)。目前傳統(tǒng)的目標(biāo)跟蹤算法大都是串行計(jì)算的，執(zhí)行速度有待進(jìn)一步的提升。而且多數(shù)目標(biāo)跟蹤算法都是在CPU上實(shí)現(xiàn)的，沒(méi)有

2、考慮到GPU的計(jì)算資源，對(duì)計(jì)算機(jī)的計(jì)算資源沒(méi)有達(dá)到充分的利用。另外目標(biāo)跟蹤算法中存在大量的計(jì)算密集型任務(wù)，存在需要并行化執(zhí)行的意義。
　　本文對(duì)兩種經(jīng)典的目標(biāo)跟蹤算法：Mean Shift目標(biāo)跟蹤算法、CAMshift目標(biāo)跟蹤算法進(jìn)行了深入研究與分析，尋找其可以被并行化的部分。引入K-Means聚類算法自適應(yīng)地對(duì)顏色空間進(jìn)行剖分，以便對(duì)Mean Shift目標(biāo)跟蹤算法進(jìn)行并行化改進(jìn)。在CPU+GPU的異構(gòu)計(jì)算平臺(tái)上引入GPGPU（

3、基于GPU的通用計(jì)算），基于經(jīng)典GPGPU技術(shù)對(duì)CAMshift目標(biāo)跟蹤算法進(jìn)行了并行化分析、設(shè)計(jì)與實(shí)現(xiàn)；采用CUDA技術(shù)對(duì)改進(jìn)后的傳統(tǒng)Mean Shift目標(biāo)跟蹤算法進(jìn)行了實(shí)現(xiàn)。分別用兩種不同的GPGPU技術(shù)對(duì)兩種目標(biāo)跟蹤算法進(jìn)行并行化設(shè)計(jì)與實(shí)現(xiàn)。在CPU+GPU的異構(gòu)計(jì)算平臺(tái)上，盡量使CPU和GPU上負(fù)載均衡，減少交換數(shù)據(jù)的上載和下載負(fù)荷。將算法中計(jì)算密集型任務(wù)集中到 GPU上執(zhí)行以達(dá)到減少算法的執(zhí)行時(shí)間、加快算法執(zhí)行效率的目的。實(shí)