基于CUDA的实时智能视频分析算法研究及应用
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·研究背景和意义 | 第8-9页 |
| ·运动目标检测与跟踪研究现状 | 第9-12页 |
| ·静态背景下的运动检测 | 第9-10页 |
| ·阴影抑制 | 第10-11页 |
| ·基于数据关联的多目标跟踪 | 第11-12页 |
| ·CUDA在数字图像处理中的应用研究 | 第12-13页 |
| ·论文主要工作与内容安排 | 第13-16页 |
| 2 基于GPU的通用计算 | 第16-24页 |
| ·GPU的计算优势 | 第16-17页 |
| ·CUDA简介 | 第17-22页 |
| ·CUDA编程模型 | 第17-19页 |
| ·CUDA硬件架构 | 第19-20页 |
| ·硬件映射 | 第20页 |
| ·CUDA存储器模型 | 第20-22页 |
| ·CUDA并行程序优化方法简介 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于CUDA的运动前景提取 | 第24-52页 |
| ·单高斯模型 | 第24-25页 |
| ·算法模型 | 第24-25页 |
| ·模型的初始化和更新 | 第25页 |
| ·高斯混合模型 | 第25-29页 |
| ·算法模型 | 第26页 |
| ·模型的初始化和更新 | 第26-28页 |
| ·改进的高斯混合模型 | 第28-29页 |
| ·基于CUDA的快速高斯混合模型背景建模 | 第29-33页 |
| ·ViBe模型 | 第33-38页 |
| ·算法模型 | 第34页 |
| ·模型的初始化 | 第34-35页 |
| ·模型的更新 | 第35-36页 |
| ·ViBe算法总结 | 第36页 |
| ·随机数的使用策略 | 第36-37页 |
| ·模型初始化的改进 | 第37-38页 |
| ·基于CUDA的快速ViBe算法 | 第38-41页 |
| ·实验结果与结果分析 | 第41-50页 |
| ·运动目标检测实验 | 第42-47页 |
| ·算法速度测试 | 第47-50页 |
| ·本章小结 | 第50-52页 |
| 4 基于CUDA的运动目标检测后处理 | 第52-66页 |
| ·阴影抑制 | 第52-54页 |
| ·Hanzi Wang等的阴影抑制方法 | 第52-53页 |
| ·Rita Cucchiara等的阴影抑制方法 | 第53-54页 |
| ·Jacques等的阴影抑制方法 | 第54页 |
| ·基于CUDA的阴影抑制 | 第54-55页 |
| ·二值图像形态学处理 | 第55-56页 |
| ·膨胀 | 第55页 |
| ·腐蚀 | 第55-56页 |
| ·基于CUDA的膨胀与腐蚀操作 | 第56-57页 |
| ·方法1 | 第56页 |
| ·NPP库中的腐蚀与膨胀操作 | 第56-57页 |
| ·使用GPU加速运动目标检测 | 第57-58页 |
| ·实验结果与结果分析 | 第58-64页 |
| ·阴影抑制实验 | 第58-60页 |
| ·二值图像形态学处理与目标定位实验 | 第60-63页 |
| ·GPU加速运动目标检测实验 | 第63-64页 |
| ·本章小结 | 第64-66页 |
| 5 数据关联多目标跟踪 | 第66-78页 |
| ·卡尔曼滤波 | 第66-67页 |
| ·适用于线性系统的卡尔曼滤波 | 第66-67页 |
| ·跟踪门 | 第67-68页 |
| ·最近邻数据关联 | 第68页 |
| ·联合概率数据关联 | 第68-73页 |
| ·算法基本模型 | 第69-70页 |
| ·关联概率的计算 | 第70-71页 |
| ·计算跟踪目标的状态估计及后验误差估计协方差 | 第71-72页 |
| ·算法流程 | 第72-73页 |
| ·基于运动检测和联合概率数据关联的多目标跟踪 | 第73-77页 |
| ·实验结果与结果分析 | 第74-77页 |
| ·本章小结 | 第77-78页 |
| 6 总结与展望 | 第78-80页 |
| ·本文工作总结 | 第78页 |
| ·工作展望 | 第78-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-86页 |
