本文關鍵詞：CUDA并行加速的稀疏PCNN運動目標檢測算法

  更多相關文章： 通用并行計算架構 稀疏脈沖耦合神經網絡 改進幀差法 運動目標檢測

【摘要】：為準確檢測低速徑向運動的小運動目標,降低系統(tǒng)的噪聲,提高系統(tǒng)的實時性,提出一種基于Nvidia通用并行計算架構(CUDA)的稀疏脈沖耦合神經網絡運動目標檢測的并行算法。根據(jù)圖形處理單元(GPU)的并行結構和硬件特點,將改進幀差法得到二值圖像的過程,以及差分二值圖像映射到稀疏脈沖耦合神經網絡模型的過程均放GPU上執(zhí)行,提高算法的計算效率;選擇利用紋理存儲和共享存儲方式,提高數(shù)據(jù)的訪問效率,降低算法的復雜度。實驗結果表明,該算法對運動目標檢測的準確性和實時性優(yōu)于其它方法。
【作者單位】： 東北林業(yè)大學機電工程學院;
【關鍵詞】： 通用并行計算架構 稀疏脈沖耦合神經網絡 改進幀差法 運動目標檢測
【分類號】：TP391.41;TP183
【正文快照】： 0引言常見的運動目標檢測算法有固定背景法、幀間差分法、統(tǒng)計法和光流法4種[1-4]。近年來很多學者多利用三幀差分法、結合混合高斯模型的運動目標檢測算法對運動目標進行檢測[5-7],也有提出基于現(xiàn)場可編程門陣列(FPGA)硬件平臺的運動目標檢測算法[8],這些方法對尺寸大、運動

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 華純;肖鐵軍;;基于FPGA的高斯建模運動目標檢測算法[J];計算機工程與設計;2011年09期

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 凌濱;鄧艷;于士博;;CUDA并行加速的稀疏PCNN運動目標檢測算法[J];計算機工程與設計;2016年12期

2 王利祥;肖鐵軍;;邊標志算法的改進與硬件實現(xiàn)[J];計算機工程與設計;2014年08期

3 白傳棟;;多功能電機伺服控制器設計與實現(xiàn)[J];制造業(yè)自動化;2013年06期

【二級參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 楊數(shù)強;余成波;龔大墉;崔焱U，

本文編號：590916