本文關(guān)鍵詞：視頻摘要算法研發(fā)及GPU優(yōu)化，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著人們對社會公共安全的日益關(guān)注,對安防監(jiān)控系統(tǒng)的要求越來越高,如何在海量監(jiān)控視頻數(shù)據(jù)中快速找到有效的信息已經(jīng)成為行業(yè)的迫切需求。視頻摘要技術(shù)是對原始視頻的高度濃縮,同時(shí)能保持視頻中的關(guān)鍵信息,是解決這一問題的有效手段。本文研究了當(dāng)前主流視頻摘要的總體框架,分析了視頻摘要中所需要的關(guān)鍵技術(shù),包括運(yùn)動(dòng)目標(biāo)檢測和跟蹤、軌跡提取、軌跡組合優(yōu)化、摘要生成等核心算法。采用VIBE背景建模算法實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)的檢測；根據(jù)目標(biāo)檢測與跟蹤相結(jié)合的方法,基于KCF單人跟蹤算法設(shè)計(jì)了多目標(biāo)跟蹤流程,進(jìn)而提取和存儲運(yùn)動(dòng)軌跡；采用基于能量函數(shù)的組合優(yōu)化方法對提取的運(yùn)動(dòng)軌跡進(jìn)行時(shí)間軸上的平移。針對能量函數(shù)最優(yōu)解的求解,本文對模擬退火算法進(jìn)行改進(jìn),設(shè)計(jì)了基于K-means聚類的模擬退火算法,解決初始解的產(chǎn)生問題,優(yōu)化了視頻摘要的視覺效果；最后將組合好的軌跡與背景進(jìn)行融合,生成摘要視頻。本文對視頻摘要中各個(gè)模塊進(jìn)行實(shí)驗(yàn)與分析,對背景建模、目標(biāo)跟蹤、摘要生成三個(gè)耗時(shí)較多且并行性高的模塊進(jìn)行GPU并行計(jì)算,實(shí)現(xiàn)了線程級的并行優(yōu)化。最后通過系統(tǒng)的實(shí)驗(yàn)測評,本文研發(fā)的視頻摘要方法能去除視頻中的時(shí)空冗余,大大濃縮原始視頻的時(shí)間,并完整保留原始視頻中的運(yùn)動(dòng)信息,能滿足視頻快速瀏覽的需求,同時(shí)也驗(yàn)證了GPU并行計(jì)算對視頻摘要各模塊和整體系統(tǒng)性能的優(yōu)化效果。因此,本文研發(fā)的視頻摘要算法具有很好的工程應(yīng)用價(jià)值。
【關(guān)鍵詞】：視頻摘要 運(yùn)動(dòng)目標(biāo)檢測和跟蹤 模擬退火 GPU并行計(jì)算
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝4-5
• 摘要5-6
• ABSTRACT6-13
• 1 緒論13-19
• 1.1 研究背景和意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-17
• 1.2.1 視頻摘要技術(shù)研究現(xiàn)狀14-16
• 1.2.2 GPU在視頻分析領(lǐng)域的應(yīng)用現(xiàn)狀16-17
• 1.3 本文研究內(nèi)容17-18
• 1.4 本文組織結(jié)構(gòu)18-19
• 2 視頻摘要相關(guān)技術(shù)19-34
• 2.1 視頻摘要概述19-21
• 2.1.1 視頻摘要基本思想19-20
• 2.1.2 視頻摘要總體框架20-21
• 2.2 運(yùn)動(dòng)目標(biāo)檢測技術(shù)21-22
• 2.3 背景建模算法22-26
• 2.3.1 混合高斯背景建模23-24
• 2.3.2 碼本背景建模24-25
• 2.3.3 VIBE背景建模25-26
• 2.4 運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)26-28
• 2.4.1 基于區(qū)域的跟蹤算法26-27
• 2.4.2 基于輪廓的跟蹤算法27
• 2.4.3 基于特征的跟蹤算法27-28
• 2.4.4 基于模型的跟蹤算法28
• 2.5 軌跡組合技術(shù)28-30
• 2.5.1 基于運(yùn)動(dòng)過程的軌跡組合方法29
• 2.5.2 基于相似活動(dòng)聚類的軌跡組合方法29
• 2.5.3 基于多視頻的軌跡組合方法29
• 2.5.4 基于視覺感知的軌跡組合方法29-30
• 2.6 CUDA并行優(yōu)化平臺概述30-33
• 2.6.1 GPU與CPU的架構(gòu)區(qū)別30-31
• 2.6.2 基于GPU的CUDA平臺架構(gòu)31-33
• 2.7 本章小結(jié)33-34
• 3 視頻摘要算法原理與實(shí)現(xiàn)34-60
• 3.1 運(yùn)動(dòng)目標(biāo)檢測34-38
• 3.1.1 VIBE背景建模算法原理34-35
• 3.1.2 VIBE背景建模實(shí)現(xiàn)35-37
• 3.1.3 實(shí)驗(yàn)結(jié)果37-38
• 3.2 運(yùn)動(dòng)目標(biāo)跟蹤及軌跡提取38-43
• 3.2.1 KCF跟蹤算法原理39-40
• 3.2.2 基于KCF跟蹤算法的多人跟蹤40-42
• 3.2.3 運(yùn)動(dòng)目標(biāo)軌跡提取42
• 3.2.4 實(shí)驗(yàn)結(jié)果42-43
• 3.3 基于能量函數(shù)的軌跡組合優(yōu)化43-52
• 3.3.1 能量函數(shù)的定義44-46
• 3.3.2 基于聚類的模擬退火優(yōu)化算法46-50
• 3.3.3 實(shí)驗(yàn)結(jié)果50-52
• 3.4 視頻摘要生成52-55
• 3.4.1 摘要生成過程53
• 3.4.2 摘要生成過程優(yōu)化53-54
• 3.4.3 背景融合54
• 3.4.4 實(shí)驗(yàn)結(jié)果54-55
• 3.5 系統(tǒng)實(shí)驗(yàn)及結(jié)果分析55-59
• 3.6 本章小結(jié)59-60
• 4 基于GPU的并行優(yōu)化60-74
• 4.1 CPU版本的視頻摘要系統(tǒng)性能分析60-61
• 4.2 VIBE背景建模算法的GPU優(yōu)化設(shè)計(jì)61-66
• 4.2.1 VIBE背景建模算法的線程級并行優(yōu)化62-66
• 4.3 跟蹤算法的GPU優(yōu)化設(shè)計(jì)66-68
• 4.4 摘要生成的GPU優(yōu)化設(shè)計(jì)68-69
• 4.5 實(shí)驗(yàn)及結(jié)果分析69-72
• 4.5.1 GPU軟硬件信息69-70
• 4.5.2 背景建模GPU優(yōu)化70-71
• 4.5.3 跟蹤GPU優(yōu)化71
• 4.5.4 摘要生成GPU優(yōu)化71-72
• 4.5.5 系統(tǒng)性能測試72
• 4.6 本章小結(jié)72-74
• 5 總結(jié)與展望74-76
• 5.1 總結(jié)74-75
• 5.2 展望75-76
• 參考文獻(xiàn)76-82
• 作者簡介82

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬伯寧;王晨昊;湯曉安;匡綱要;;基于GPU的二維離散小波變換快速計(jì)算[J];國防科技大學(xué)學(xué)報(bào);2011年03期

2 ZW;;3D游戲利器 主流嵌入式處理器GPU逐個(gè)看[J];電腦迷;2011年19期

3 王志國;王貴錦;施陳博;苗權(quán);林行剛;;積分圖像的快速GPU計(jì)算[J];計(jì)算機(jī)應(yīng)用研究;2011年10期

4 盧永菁;王東;;基于GPU的高速網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2011年33期

5 儲t熆

本文編號：393890