基于CUDA异构平台的交管系统运动目标检测的研究

摘要

交通是人们生活必不可少的一部分，对于路况、安全行驶的智能监控逐渐受到人们的关注，利用智能监控能够使监控系统对运动物体进行自动检测识别、以及自动跟踪和行为理解。运动目标检测做为智能监控系统中视频帧图像处理的第一步工作，对于后期的跟踪识别具有重要的作用，有研究的价值。在静态背景下常用的运动目标检测方法有帧差法、背景差分法；在动态背景下常用的运动目标检测方法有光流法等。传统的运动目标检测算法多是基于CPU(Central Processing Unit)的计算，运行的时间长、效率低，一般达不到实时性的要求。为了准确检测高速径向运动的车辆目标，降低系统的噪声，提高系统的实时性，本文提出了一种利用通用并行计算架构(CUDA)并行加速的结合改进帧间差分法和稀疏脉冲耦合神经网络(PCNN)的运动目标检测新算法。
　　本研究提出了一种均值滤波和直方图变换相结合的滤波去噪算法，来实现图像预处理。因为传统算法针对快速运动的目标检测率低，在本课题的研究过程中，根据帧间差分法、光流法、背景差分法等经典算法的原理，结合小波变换的特点，首先提出了二次三帧差法结合复小波光流法的运动目标检测算法，这种算法在复杂的动态背景下能够精准的检测到快速运动的目标，但针对径向运动的目标时，其检测率较低。针对这些问题，本文最终结合 PCNN的数学模型及工作原理，提出了改进帧差法和稀疏 PCNN相结合的运动目标检测新算法。针对径向快速行驶的车辆，改进的新算法能够更有效、更完整的检测到运动目标。根据所处理的视频帧图像的特点，结合像素单元的独立性，同时根据图形处理单元(Graphics Processing Unit，也即GPU)的并行结构和硬件特点，将改进帧差法得到二值图像的过程，以及差分二值图像映射到稀疏 PCNN模型的过程均放 GPU上执行，同时选择纹理存储和共享存储方式，以提高数据的访问效率，降低算法的复杂度，实现了GPU和CPU相结合的算法流程，提高了算法的执行效率。

目录

1绪论

1.1研究背景及意义

1.2国内外研究现状及发展趋势

1.3本文的主要研究内容及结构安排

2面向交管系统的运动目标检测算法的异构平台架构

2.1 交通监管系统的架构

2.2 针对交管系统运动目标检测的异构平台

2.3本章小结

3运动目标检测算法的研究

3.1图像预处理

3.2 基于复小波光流法的运动目标检测算法

3.3基于稀疏PCNN的运动目标检测

3.4本章小结

4运动目标检测算法的CUDA并行加速研究

4.1 CUDA并行算法思想

4.2基于稀疏PCNN运动目标检测算法的CUDA加速

4.3算法的CUDA优化加速

4.4本章小结

5实验结果与对比

5.1实验环境搭建

5.2实验结果与对比

5.3本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明