一种基于GPU的运动目标检测方法技术

本发明专利技术公开了一种基于GPU的运动目标检测方法，包括：加载视频训练数据到GPU显存中，按照局部Z形块的方式对视频训练数据进行存储，提取视频训练数据的多特征数据，并采用自适应权值模型融合多特征数据，以建立基于多特征的码本模型，加载视频测试数据到GPU显存中，按照局部Z形块的方式对视频测试数据进行存储，利用基于多特征的码本模型对视频测试数据进行运动目标检测，利用运动目标检测的结果对基于多特征的码本模型进行更新，将运动目标的检测结果保存在CPU端。本发明专利技术具有高适用性、可扩展性强、高效率和低成本的特点，并使运动目标检测同时满足准确性和实时性的要求。

【技术实现步骤摘要】

本专利技术属于模式识别和基于GPU的通用计算
，更具体地，涉及一种基于GPU的运动目标检测方法。。
技术介绍
随着人们安全意识的提高，安防技术和产业的迅速发展，视频监控系统广泛地应用于人们的生活中。传统的视频监控系统需要视频监控人员长时间持续监视视频，分析视频中的异常情况，将异常信息记录存储下来，并相应的做出决策，以处理异常情况。这种基于人工的监控方式，当视频监控人员疲惫出现疏忽时，将会导致大量漏报、误报的情况，存在很大的安全隐患，并且这种监控方式随着视频监控范围的增大，监控视频成几何级的增力口，完全由视频监控人员来监视和分析视频是不可能完成。因此，智能视频监控系统的研究和开发具有重要意义。运动目标检测是智能视频监控的关键步骤，只有完成了运动目标检测，才能进行目标分类和目标跟踪，进而进行智能分析和对监控场景的理解。目前，国内外学者已经对视频图像的运动目标检测算法进行了大量的研究工作。大多数的研究关注运动目标检测算法的可靠性、检测结果的精确度，只有少数的研究关注运动目标检测算法的实时性。而实际应用中，监控设备往往是多路的，会在极短的时间内产生大量的图像数据，对实时性要求很高。传统CPU的计算能力有限，运动目标检测算法将无法实时处理如此庞大的数据，无法满足实时性的要求，因而关注运动目标检测算法的实时性，利用图形处理器GPU (GraphicsProcessing Unit)的计算能力来加速运动目标检测算法具有重要意义。目前，基于GPU的运动目标检测算法，主要对基本的、常用的运动目标检测算法进行并行化，如混合高斯模型的并行化。现存的这些并行方法，虽然在一定程度上加速了运动目标检测算法，但仍然存在一些问题，主要包括1)在复杂的环境下，现存的并行方法不能保证检测的准确性；2)在并行实现的过程中，未考虑算法对不同分辨率的图像序列和不同的GPU硬件结构的适应性问题；3)在并行实现的过程中，未考虑分支语句过多的优化问题。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于提供一种基于GPU的运动目标检测方法，旨在解决现有运动目标检测算法的准确性和实时性问题，并使运动目标检测同时满足准确性和实时性的要求。为实现上述目的，本专利技术提供了一种基于GPU的运动目标检测方法，包括以下步骤(I)加载视频训练数据到GPU显存中；(2)按照局部Z形块的方式对视频训练数据进行存储；(3)提取视频训练数据的多特征数据，并采用自适应权值模型融合多特征数据，以建立基于多特征的码本模型；(4)加载视频测试数据到GPU显存中；(5)按照局部Z形块的方式对视频测试数据进行存储；(6)利用基于多特征的码本模型对视频测试数据进行运动目标检测；(7)利用运动目标检测的结果对基于多特征的码本模型进行更新；(8)将运动目标的检测结果保存在CPU端。步骤(2)包括以下子步骤(2-1)将视频训练数据划分成多个的图像子块；(2-2)对每个图像子块按4*8和8*4两种方式进行存储；(2-3)分别计算每个图像子块在两种存储方式下的分支语句量SI和S2 ;具体计算方法如下分别统计图像子块中可能为前景点的像素点数目Nfg和可能为背景点的像素点数目Nbg,图像子块的像素点总数目为N ;然后，根据以下公式(I)计算分支语句量S ；本文档来自技高网...

【技术保护点】
一种基于GPU的运动目标检测方法，其特征在于，包括以下步骤：（1）加载视频训练数据到GPU显存中；（2）按照局部Z形块的方式对视频训练数据进行存储；（3）提取视频训练数据的多特征数据，并采用自适应权值模型融合多特征数据，以建立基于多特征的码本模型；（4）加载视频测试数据到GPU显存中；（5）按照局部Z形块的方式对视频测试数据进行存储；（6）利用基于多特征的码本模型对视频测试数据进行运动目标检测；（7）利用运动目标检测的结果对基于多特征的码本模型进行更新；（8）将运动目标的检测结果保存在CPU端。

【技术特征摘要】
1.一种基于GPU的运动目标检测方法，其特征在于，包括以下步骤 (1)加载视频训练数据到GPU显存中； (2)按照局部Z形块的方式对视频训练数据进行存储； (3)提取视频训练数据的多特征数据，并采用自适应权值模型融合多特征数据，以建立基于多特征的码本模型； (4)加载视频测试数据到GPU显存中； (5)按照局部Z形块的方式对视频测试数据进行存储； (6)利用基于多特征的码本模型对视频测试数据进行运动目标检测； (7)利用运动目标检测的结果对基于多特征的码本模型进行更新； (8)将运动目标的检测结果保存在CPU端。2.根据权利要求1所述的运动目标检测方法，其特征在于，步骤(2)包括以下子步骤 (2-1)将视频训练数据划分成多个的图像子块； (2-2)对每个图像子块按4*8和8*4两种方式进行存储； (2-3)分别计算每个图像子块在两种存储方式下的分支语句量SI和S2 ;具体计算方法如下 分别统计图像子块中可能为前景点的像素点数目Nfg和可能为背景点的像素点数目Nbg,图像子块的像素点总数目为N ; 然后，根据以下公式(I)计算分支语句量S ；3.根据权利要求1所述的运动目标检测方法，其特征在于，步骤(3)包括以下子步骤 (3-1)设置码本元素计数器k=l ； (3-2)计算视频训练数据中每个像素点对应的强度特征A，颜色特征，纹理特征fTexture，以形成特征集合f = If1,fColor，-^Texture-^ ; (3-3)计算特征集合f = {fD fColor, fTexture}和码本集合B = Ic1, C2,…，cj中第k个码本元素Ck的特征集合vk = Iv1, vColor, VlexturJ之间的相似度，以得到相似度集合s ={sD sColor, SlexturJ，其中V〗、Vcolor和vTextme分别表示第k个码本元素Ck的强度特征、颜色特征和纹理特征； (3-4)根据特征集合f = {fDfcolor，-^Texture-^ 矛口 Vk^ColorJ ^Texture }并采用自适应权值模型计算自适应权值集合； (3-5)根据以下公式(6)计算整体相似度Sim，并判断是否大于阈值T，若大于T，则转入步骤(3-6)，否则转入步骤(3-7)； Sim =( 6 ) (3-6)更新码本集合中的第k个码本元素的特征集合Vk和四元组auxk ={fk, λ k, pk, qj，然后转入步骤(7 );(3-7)设置 k=k+l ； (3-8)判断k是否小于码本元素的总数量L，若是，则返回步骤(3-3)，否则，转入步骤(3-9)； (3-9)以特征集合f= If1, fco...

【专利技术属性】
技术研发人员：金海，郑然，邓巍，章勤，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：