基于HOG特征和可形变模型的目标检测和GPU实现

基于HOG特征和可形变模型的目标检测和GPU实现

基于计算机视觉并使用摄像机进行目标检测是无人驾驶车辆必不可少的一部分。各种各样的组合模型被用到目标检测中以提高目标检测的性能和速度。采用一种常见的组合方法即使用梯度方向直方图（HOG）和可形变模型来检测车辆。当处理过程中引入一个与现实世界相关的实时约束时，该方法的计算成本将急剧增加。对此，提出一种实现技术，使用图形处理单元（GPU）基于HOG特征和可形变模型使计算过程加速，且对硬件的实现也做出了详细说明。

首先对所提出的新技术做出假设：①假设系统由一个多线程中央处理器（CPU）和一个GPU组成，两者通过PCle总线协议进行通信；②输入图像格式设定为JPEG格式；③不考虑计算系统的协调和输入/输出设备，且使用多GPU的情况同样也不考虑。之后对基于HOG的目标检测和GPU实现进行了分析。通过图像的HOG特征表示图像，使用统一设备架构对GPU编程，其可以通过并行计算提高大规模运算的速度。整个目标检测过程为：①输入图像；②输入预定义目标模型；③计算所有输入图像的HOG特征，也称为HOG金字塔；④计算每一组根滤波器和组件滤波器的相似性值；⑤计算相似性值的总和；⑥根据计算结果对目标进行识别；⑦输出识别结果。再之后对提出的技术与传统的CPU实现方法进行对比。仿真分析了使用单核CPU、多核CPU和大规模并行GPU这3种目标检测程序下的性能。将预先选好的10幅道路图像作为输入，将对这些图像中车辆进行目标检测的平均执行时间作为主要性能指标。仿真结果表明：使用基于HOG特征和可形变模型的GPU比传统的使用CPU的方法计算速度提升了3～5倍。但在实际使用中需要输入摄像机捕获的道路图像，而文中未对将道路图像传输到GPU的过程进行讨论，这部分还需要进行优化。

ManatoHirabayashietal. 2013 IEEE 1st International Conference on Cyber-PhysicalSystems，Networks，and Applications，Taipei-Aug. 19-20，2013.

编译：王亮