基于GPU平台的全搜索运动估计算法优化研究与实现

摘要

随着视频应用的快速发展，视频压缩技术越来越受到人们的广泛关注，它在视频存储、视频传输、网络监控及网络视频等领域具有重要意义。视频压缩可以有效减少视频序列中重复的数据信息，有利于降低存储和传输的视频数据量。帧间预测技术可用于寻找相邻帧之间的相同数据，其中运动估计算法是帧间预测技术与视频压缩技术中的核心算法之一。运动估计算法是指为当前帧中的当前块在参考帧中寻找其参考块的过程。在该过程中，需要对当前块进行大量的块匹配，所以块匹配的过程占整个算法大部分的时间。在GPU平台上实现运动估计算法可以有效加快算法的运行速度，降低算法的运行时间。目前已有部分研究工作基于GPU的片上存储器采用数据重用的方法对运动估计算法进行加速。针对国内外研究现状进行分析，其中存在的问题总结如下： （1）当前基于GPU的运动估计数据重用方法主要是在GPU的共享内存上进行相邻搜索窗之间的数据重用。一方面，现有的研究工作没有考虑其它的数据重用方法，当相邻搜索窗之间的可重用数据大于GPU共享内存时，无法采用该重用方法。另一方面，没有考虑利用GPU的其它存储器（例如寄存器）进行数据重用。 （2）在基于GPU的运动估计算法的数据重用研究中，没有充分考虑将GPU的多层次存储架构与多种数据重用方法相结合，从而不能充分地利用GPU的片上存储资源进行最大限度的数据重用，也就不能更好的对运动估计算法进行加速。 针对以上不足，本文展开深入研究，主要研究内容和创新点如下： （1）提出基于GPU多类型片上存储器的全搜索运动估计数据重用方法。将多种数据重用方法与GPU的多类型片上存储器相结合，一方面可用于选择适合片上存储大小的最快数据重用方法，另一方面可用于选择适合某种数据重用方法的最佳片上存储器。基于GPU的三种片上存储器实现了四种数据重用方法，通过实验对它们进行了比较分析。 （2）针对GPU存储架构的特点，提出了基于GPU多层次存储架构的数据重用方法。对GPU中不同层次的存储器分别采用不同的数据重用方式，例如将在寄存器中采用参考块之间的数据重用与在共享内存中采用参考块条带之间的数据重用相结合。该方法充分利用了GPU片上存储资源，提高了算法运行速度。本文描述了三种不同的结合方式，并通过实验对它们进行了比较分析。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容及创新点

1.4 论文的组织结构

1.5 本章小结

第二章 相关理论知识

2.1 GPGPU与CUDA简介

2.1.1 GPGPU简介

2.1.2 CUDA存储模型

2.1.3 CUDA编程模型

2.1.4 CUDA执行模型

2.2 运动估计

2.2.1 运动估计的定义

2.2.2 运动估计的分类

2.3 本章小结

第三章 基于GPU多类型片上存储器的全搜索运动估计数据重用方法

3.1 引言

3.2 基于GPU三种类型片上存储器的参考块之间的数据重用

3.3 基于GPU的参考块条带之间的数据重用

3.4 基于GPU的搜索窗之间的数据重用

3.5 基于GPU的搜索窗条带之间的数据重用

3.6 基于GPU平台的各种数据重用实验

3.6.1 实验环境

3.6.2 算法步骤及伪代码

3.6.3 实验结果及分析

3.6.4 四种数据重用的比较

3.7 本章小结

第四章 基于GPU多层次存储架构的全搜索运动估计数据重用方法

4.1 引言

4.2 参考块之间+参考块条带之间的双层数据重用

4.3 参考块之间+搜索窗之间的双层数据重用

4.4 参考块之间+搜索窗条带之间的双层数据重用

4.5 基于GPU平台的双层数据重用实验

4.5.1 实验环境

4.5.2 实验结果及分析

4.5.3 双层数据重用方法的比较

4.6 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

攻读硕士学位期间的主要工作

致谢