针对现有视频二值分割算法分割性能过低的问题,提出了一种基于GPU的视频实时二值概率分割算法.该算法通过规范化视频帧中每个像素属于前景类和背景类的概率大小,实现了基于二次马尔可夫测量场(QMMF)模型的视频实时二值概率分割.首先分别为不同场景的视频帧提出了两种概率模型,即静态背景概率模型(SBLM)和动态背景概率模型(UBLM);然后,通过光照矫正算法颜色转换、阴影抑制算法阴影检测以及伪装检测算法来计算每个像素属于背景类的概率值;最后,通过Gauss-Seidel模型迭代计算出了使能量函数取得最小值的背景概率值进而得到像素的二值化值.此外,为了提高算法分割的准确性,该算法包含了对光照突变、投射阴影以及伪装情况的实时处理.同时,为了满足算法的实时性要求,在NVIDIA GPU上并行实现了该算法.验证了所提算法的分割性能即算法分割的正确性,测试了算法的GPU执行时间.实验结果表明,在算法分割完整性方面ViBe+和GMM+的平均漏检率和平均误检率分别是QMMF的3倍和6倍;在算法执行时间方面ViBe+和GMM+的平均GPU执行时间大约是QMMF的1.3倍.此外,还计算了QMMF算法的GPU加速比约为76.8.

目前目标识别领域,在人体检测中精确度最高的算法就是可变形部件模型(DPM)算法,针对DPM算法计算量大的缺点,提出了一种基于图形处理器(GPU)的并行化解决方法.采用GPU编程模型OpenCL,对DPM算法的整个算法的实现细节采用了并行化的思想进行重新设计实现,优化算法实现的内存模型和线程分配.通过对OpenCV库和采用GPU重新实现的程序进行对比,在保证了检测效果的前提下,使得算法的执行效率有了近8倍的提高.