论文部分内容阅读
随着计算机科学技术的迅速发展,智能视频监控分析成为当下研究的热点之一,对目标进行检测是智能视频监控的关键技术。Adaboost(Adaptive Boosting,自适应增强学习)是当前在智能视频监控领域应用十分广泛的一种目标检测算法。相比于其他复杂的人工智能算法,Adaboost算法对设备要求较低,因此应用广泛。同时随着相关技术的提升,监控视频的分辨率也在逐渐提高,对视频中目标的检测过程所需要的数据量随之增大,对检测的实时性提出了考验。GPU(Graphics Processing Unit,图形渲染芯片)原本是用以处理图像的硬件设备,它具备出众的通用计算能力,因此近年来被广泛应用于图形图像处理以外的数据计算领域。本文借助GPU的通用计算能力,对Adaboost车辆检测算法进行优化,缩短车辆检测时间、提高车辆检测效率,对不同分辨率的车辆图像进行目标检测速度测试,并在实际场景中进行检测加速实验。本文主要研究工作如下:(1)对Adaboost车辆检测算法进行分析,针对计算量较大的部分提出并行化优化方案,利用GPU硬件设备,借助CUDA(Compute Unified Device Architecture,统一计算设备架构),利用GPU硬件中的全局存储器和共享存储器以及合并访存机制等优化加速手段,对检测速度进行提升,并对能够被加速计算的部分有针对性地进行加速比的实验对比,实验证明,颜色空间转换等部分在并行优化后都能够达到较好的加速效果;(2)对一般场景下的单帧车辆图像进行检测,并分析不同分辨率的图像对检测计算加速比的影响,实验证明,随着待检图像分辨率的提升,普通算法的检测时间急剧上升,而并行优化后的检测算法的检测时间上升平缓,因此加速比更加明显;(3)将优化后的Adaboost车辆检测算法应用到道路监控和加油站监控等实际监控场景中,对不同分辨率的监控视频进行车辆目标检测和加速效果的测试,实验证明,并行优化后的Adaboost车辆检测算法在保持与原算法基本一致的检测效果的基础上,在实际监控场景中也能够取得较好的加速效果,一般能取得5到9倍的加速比,并随着视频分辨率的增加而取得更好的加速效果。实验表明利用GPU的硬件结构进行对Adaboost算法的速度优化能够取得显著的加速效果,随着所处理图像的分辨率提高,其检测加速效果也随之提高;其加速效果并在实际监控视频环境中也得到了验证,对于现阶段性能有限的工程设备而言能够以较低的投入得到良好的加速效果。