论文部分内容阅读
随着机动车使用数量的日益增多，公安部门从监控图像查找犯罪车辆的难度也日益增加，如何快速、实时地从海量视频数据查找犯罪车辆问题成为摆在公安部门面前的核心问题。基于多核CPU与众核GPU，针对监控图像的兴趣区域检测算法、特征点提取算法、特征匹配算法以及整个检测过程进行了一系列的并行化加速，提高了犯罪车辆查找的实时性。 首先，针对车辆监控图像存在大量非兴趣区域，而基于图像分割的兴趣区域提取算法的执行效率比较低效的问题，提出了一种基于Pthreads的CPU多线程并行化兴趣区域提取算法，在12核心CPU支持超线程的情况下，通过实验对比了10000幅图像的串行与并行执行时间，实验结果证明该并行化算法能够达到13.1倍的加速度。 其次，SIFT算法是图像特征提取的重要算法，但由于需要保证对尺度变化、旋转的鲁棒性，导致整个算法的计算过程复杂，在针对上万幅图像数据时，执行时间可以达到十几分钟甚至是几十分钟的。为了加速SIFT算法针对大数据量的监控图像时的执行效率，本文提出了一种基于4个GPU的并行化特征提取算法，该并行化算法通过将图像数据分割的方式达到提高特征提取的执行效率。通过实验对比在10000幅监控图像数据的算法执行效率，相对于单个GPU的SIFT算法，该并行化算法能够提高大约3.8倍的加速度。 然后，在得到了车辆图像的特征文件的基础上，由于每个特征是由128位的特诊描述子以及位置坐标组成，本文考虑根据欧氏距离来计算向量相似性的方式来验证目标图像与基准图像是否相似。为了减少错误匹配，采用RANSAC算法来消除错误匹配的特征点。在此基础上，为了加快匹配的效率，本文设计并实现了一种基于CPU的多线程的并行化匹配算法。 最后，在整个犯罪车辆的查找过程中，需要针对真实的环境来优化整个算法。为了充分利用多GPU的SIFT特征提取并行化算法执行时剩余的CPU线程，提出了一种结合CPU特征匹配与多GPU的特征提取同时执行的流水线并行化算法。该算法在采用GPU提取特征之后，立即用CPU多线程执行并行化匹配算法，以此来隐藏匹配算法执行时间，保证并行化图像特征提取与匹配算法执行时间的最优化，提高整体的并行化执行效率。