论文部分内容阅读
伴随着获取视频信息硬件的普及和视频高清化的需求,视频信息数据量快速增长,行业对高性能并行解决方案的需求日益增加,传统使用CPU硬件与串行视频信息处理算法相结合的模式越来越不能满足在大数据环境下高速计算的要求。现代图形处理器(Graphic Proeessing Unit,GPU)的可编程性和高效能计算能力日益增强,为利用GPU硬件和并行算法进行高性价比通用计算提供了良好的运行平台,成为目前高性能计算领中的热点研究课题。本文利用GPU和CPU构建异构平台,针对运动目标识别和跟踪算法的并行化提出了相应的解决方案,并进行系统集成。主要工作如下：(1)在视频信息处理中,通过对模板匹配运动目标识别算法和MeanShift运动目标跟踪算法进行研究分析,提出了采用CPU+GPU异构并行处理进行算法加速的解决方案,并研究了运动目标识别和跟踪中的GPU大规模并行化计算的设计方法。针对GPU与CPU的不同,分析和研究了GPU的加速原理以及当前比较成熟的CUDA编程模型的结构及特点。(2)研究了并行化目标识别和跟踪算法的算法设计和优化策略。在并行算法设计上,两者均采用基于CPU+GPU的整体任务划分,然后在GPU上进行任务分解和合理线程分配的思路。在并行算法优化上,采用存储器访问和通信优化等策略进行模板匹配运动目标识别并行算法设计；采用共享存储器和缩减树方法进行MeanShift运动目标跟踪并行算法设计。(3)综合以上运动目标识别和跟踪的并行算法研究成果,设计和实现了基于GPU的视频信息并行处理系统,通过自动快速识别完成定位,然后进行跟踪。实验结果表明,基于GPU的并行处理系统能够在大数据量视频信息处理中取得较好的加速比。