一种基于gpu平台的突变光照鲁棒性前景检测算法
【技术领域】
[0001] 本发明涉及一种前景检测算法，具体地说，是涉及一种基于GPU平台的突变光照 鲁棒性前景检测算法。
【背景技术】
[0002] 混合高斯模型（GMM)前景检测算法是一种利用高斯模型对视频像素点进行建模且 实时更新，并最终检测到运动目标的前景检测算法。在实际应用中，混合高斯模型由于性能 优异，稳定性好，被广泛应用，但是也存在一些问题，比如在光照突变、树枝抖动、画面抖动、 阴影、浮云等环境干扰存在的情况下会有虚假前景产生，在这些复杂场景下，很容易造成算 法结果出现较大误差，使结果不准确。
【发明内容】
[0003] 本发明的目的在于提供一种基于GPU平台的突变光照鲁棒性前景检测算法，解决 现有技术中存在的因复杂场景带来的较大误差问题，提供算法精度和运行效率。
[0004] 为了实现上述目的，本发明采用的技术方案如下： 一种基于GPU平台的突变光照鲁棒性前景检测算法，包括以下步骤： (a) 系统初始化，CPU为CPU和GPU设备申请内存空间，读取模型参数信息，将CPU上的 彩色图转化为灰度图，并与模型参数信息一起传输到GPU设备上； (b) 根据当前图与背景图相应位置像素点的空间关系，在GPU上计算像素 i的归一化互 相关特征//和/;2纹理特征：
其中，^表示像素 i的邻域窗口，表示当前图属于g钠的像素值，％表示背景图属 于_内的像素值，
表示在当前图像素 i领域窗口 ^::内的平均值，
表示在背景图像素 i领域窗口 ％内的平均值。^表示％窗口内像素 的位置索引。
[0005] (C)计算每个像素 i的低维特征向量，将归一化互相关特征謂和纹理 特征//与当前灰度像素值一起，作为混合高斯模型的输入量来更新混合高斯模型，得到前 景检测模型的前景图和背景图； (d)将最终得到的检测结果图像从GPU传输回CPU。
[0006] 优选地，所述步骤（a)中，GPU中数据类型、大小一致的中间数据的内存空间申请 为连续空间地址。
[0007] 优选地，所述步骤（b)和（c)中，归一化互相关特征_和纹理特征的计算采用 相邻的线程处理相邻的像素点的方式进行。
[0008] 优选地，所述步骤（C )中，每个线程为一个像素点单独建立混合高斯模型。
[0009] 与现有技术相比，本发明具有以下有益效果： (1)本发明提出在GPU平台上，利用当前图与背景图空间相似性的一种混合高斯模型， 既解决了由于复杂场景引起的虚假前景问题，又提高了算法的运行效率，增加了算法在项 目上的实用性。
[0010] (2)本发明利用可编程的GPU的高度并行化、多线程、多处理核心特性，以及杰出 的计算效率和极高的存储器带宽能力，运用在前景检测算法中实现并行运算，以提高运算 效率，从而大大提高了前景检测算法的运算效率，使其能够满足更高更快的要求，提高了其 应用领域和适应范围。
[0011] (3)本发明为GPU的数据空间提供了连续存储地址，从而在并行计算时能够减少 寄存器数量，间接的提高了运行效率。
[0012] (4)本发明结合空间相似模型的混合高斯模型，提高了混合高斯模型的前景检测 精度，对光照突变、树枝抖动、画面抖动、阴影、浮云等干扰，具有较好的鲁棒性。
【附图说明】
[0013] 图1为本发明的流程示意图。
【具体实施方式】
[0014] 下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于 下列实施例。 实施例
[0015] 如图1所示，本发明公开的基于GPU平台的突变光照鲁棒性前景检测算法，按照以 下步骤进行： a、通过CPU申请为CPU和GPU申请需要的内存空间，进行系统初始化，读取相关混合高 斯模型的参数信息，然后将CPU上的彩色图转化为灰度图，与混合高斯模型的参数信息一 起传输到GPU设备上。基于本例中输入到GPU核函数并行计算里面表示中间结果的数据比 较多，在分配GPU上数据空间时，如果某些中间数据大小、类型较一致，则顺序申请连续的 空间，这样在并行计算时，可以减少用到的寄存器数量，间接的提高优化效率。
[0016] b、根据当前图与背景图相应位置像素点的空间关系，建立空间相似性模型，逐图 像像素扫描，分别为图像的像素建立高斯混合模型。空间相似度模型的基本思想是在保持 像素独立性假设下提取纹理，得到基于空间相似性的归一化互相关性和纹理特征，本发明 则为了提高运算效率，由GPU设备计算像素 i的归一化互相关特征和纹理特征//。在处 理过程中，由相邻的线程处理相邻的像素点以提高GPU上读取数据效率。
c、通过式（5)计算得到对应于每个像素 i的低维特征向量1??:??特征，然后将归 一化互相关特征g和纹理特征与当前灰度像素值一起，作为混合高斯模型的输入来更 新混合高斯模型。在处理过程中，相邻的线程处理相邻的像素点，每个线程为一个像素建立 模型。最终得到前景检测模型的前景图和背景图。
[0018] d.将最终得到的检测结果图像从GPU传输回CPU。
[0019] 本发明原理简单，巧妙地运用GPU特点，将CPU和GPU相互结合，在实现混合高斯 模型前景检测算法的同时，解决了因运算量大带来的效率底下的问题，提高了其运算效率， 同时还解决了光照突变、树枝抖动、画面抖动、阴影、浮云等环境干扰问题，使其具有了良好 的鲁棒性，大大提高运算精度，扩大了应用领域和适应范围。
[0020] 上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用 本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的 保护范围之内。
【主权项】
1. 一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征在于，包括以下步骤： (a) 系统初始化，CPU为CPU和GPU设备申请内存空间，读取模型参数信息，将CPU上的 彩色图转化为灰度图，并与模型参数信息一起传输到GPU设备上； (b) 根据当前图与背景图相应位置像素点的空间关系，在GPU上计算像素i的归一化互 相关特征和纹理特征:(c) 计算每个像素i的低维特征向量福夫，将归一化互相关特征_和纹理特征 与当前灰度像素值一起，作为混合高斯模型的输入量来更新混合高斯模型，得到前景检 测模型的前景图和背景图； (d) 将最终得到的检测结果图像从GPU传输回CPU。2. 根据权利要求1所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述步骤（a)中，GPU中数据类型、大小一致的中间数据的内存空间申请为连续空间 地址。3. 根据权利要求1所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述步骤（b)和（c)中，归一化互相关特征和纹理特征Jf的计算采用相邻的线程 处理相邻的像素点的方式进行。4. 根据权利要求1所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述步骤（c)中，每个线程为一个像素点单独建立混合高斯模型。5. 根据权利要求1所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述式（1)优化为6. 根据权利要求5所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述式（3)和（4)拆解为下列组合：7. 根据权利要求6所述的一种基于GPU平台的突变光照鲁棒性前景检测算法，其特征 在于，所述步骤（c)中通过式（5)计算每个像素i的低维特征向量。
【专利摘要】本发明公开了一种基于GPU平台的突变光照鲁棒性前景检测算法，包括以下步骤：（a）系统初始化，CPU为CPU和GPU设备申请内存空间，读取模型参数信息，将CPU上的彩色图转化为灰度图，并与模型参数信息一起传输到GPU设备上；（b）根据当前图与背景图相应位置像素点的空间关系，在GPU上计算像素i的归一化互相关特征和纹理特征：(c)计算每个像素i的低维特征向量？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？，将归一化互相关特征和纹理特征与当前灰度像素值一起，作为混合高斯模型的输入量来更新混合高斯模型，得到前景检测模型的前景图和背景图；（d）将最终得到的检测结果图像从GPU传输回CPU。本发明解决了光照突变等环境干扰问题，使其具有了良好的鲁棒性，大大提高运算精度。
【IPC分类】G06T7/20
【公开号】CN105046722
【申请号】CN201510469834
【发明人】曹泉, 李玲
【申请人】深圳市哈工大交通电子技术有限公司
【公开日】2015年11月11日
【申请日】2015年8月4日