面向嵌入式通用GPU的跟踪算法映射与优化

摘要

随着GPU技术的发展，利用GPU的计算资源来提高计算效率已经成为一个必然的趋势。目标跟踪是计算机视觉领域的重要研究课题之一，其算法大都采用CPU串行计算，并没有考虑GPU的计算资源，执行效率有待提升。本文针对应用最广泛的均值漂移(Mean Shift)目标跟踪算法，通过开放式计算语言(Open Computing Language， OpenCL)将其映射到嵌入式通用GPU上并进行优化，提升算法性能，同时为其他同类算法优化课题研究提供参考依据。
　　本文对经典的目标跟踪算法Mean Shift进行了深入分析，研究了Mean Shift算法在目标跟踪上的应用。接着利用OpenCL实现了并行Mean Shift目标跟踪算法，主要编写了6个内核用来完成Mean Shift目标跟踪算法各个部分，包括判断每个像素属于哪个直方图区间、计算目标模型、衡量目标模型与候选目标模型相似性和估计目标中心位置等。本文使用的是Mali-T604 GPU，为了充分发掘Mali-T604 GPU的性能，本文对并行Mean Shift目标跟踪算法进行了优化，来提升其性能。包括三部分优化，分别是:代码优化、内存优化和工作组优化。代码优化把内核中的算法矢量化，以便充分利用Mali-T604 GPU硬件资源;内存优化使用内存映射，可以让CPU和Mali-T604 GPU不经拷贝就能访问数据;工作组优化合理设置工作组数目，在Mali-T604 GPU上可以获得更高效率。
　　论文在基于Exynos5250应用处理器的Arndale开发板平台上进行了功能测试和对比测试。测试分析结果表明:经过代码优化后的并行算法相比CPU上的算法，获得了最低1.37倍加速;经过内存优化后的并行算法相比CPU上的算法，获得了最低1.55倍加速;经过工作组优化后的并行算法相比CPU上的算法，获得了最低1.23倍加速;经过三种优化后的并行算法相比CPU上的算法，获得了最少2.34倍加速。

目录

声明

摘要

第一章 绪论

1．1 课题背景与意义

1．1．1 课题背景

1．1．2 课题意义

1．2 国内外研究现状

1．2．1 目标跟踪技术国内外研究现状

1．2．2 GPGPU技术国内外研究现状

1．3 论文研究目标和主要内容

1．4 论文的组织结构

第二章 基于Mean Shift算法的目标跟踪

2．1 Mean Shift算法概述

2．1．1 Mean Shift算法的数学模型

2．1．2 核函数

2．1．3 Mean Shift算法的数学模型的扩展

2．1．4 Mean Shift算法的物理意义

2．1．5 Mean Shift算法的步骤

2．2 Mean Shift算法在目标跟踪上的应用

2．2．1 目标模型的描述

2．2．2 候选模型的描述

2．2．3 相似性度量

2．2．4 目标定位

2．2．5 目标跟踪实现步骤

2．3 本章小结

第三章 基于Mean Shift算法的目标跟踪系统设计

3．1 系统软硬件平台搭建

3．1．1 系统硬件平台

3．1．2 系统软件平台

3．2 目标跟踪系统的设计

3．2．1 图像的输入

3．2．2 图像预处理

3．2．3 运动目标的检测

3．2．4 基于Mean Shift算法的运动目标跟踪

3．3 本章小结

第四章 基于OpenCL的Mean Shift算法并行实现与优化

4．1 OpenCL的计算架构

4．1．1 平台模型

4．1．2 执行模型

4．1．3 内存模型

4．1．4 编程模型

4．1．5 OpenCL小结

4．2 基于OpenCL的Mean Shift算法并行实现

4．2．1 Mean Shift算法并行实现

4．2．2 利用OpenCL实现并行Mean Shift算法

4．3 基于OpenCL的Mean Shift目标跟踪算法优化

4．4 本章小结

第五章 实验与结果分析

5．1 实验软硬件平台

5．2 实验结果与分析

5．2．1 功能测试

5．2．2 对比测试

5．3 本章小结

第六章 结与展望

6．1 总结

6．2 展望

致谢

参考文献

作者简介