基于HOG特征和可形變模型的目標檢測和GPU實現(xiàn)

基于計算機視覺并使用攝像機進行目標檢測是無人駕駛車輛必不可少的一部分。各種各樣的組合模型被用到目標檢測中以提高目標檢測的性能和速度。采用一種常見的組合方法即使用梯度方向直方圖（HOG）和可形變模型來檢測車輛。當處理過程中引入一個與現(xiàn)實世界相關(guān)的實時約束時，該方法的計算成本將急劇增加。對此，提出一種實現(xiàn)技術(shù)，使用圖形處理單元（GPU）基于HOG特征和可形變模型使計算過程加速，且對硬件的實現(xiàn)也做出了詳細說明。

首先對所提出的新技術(shù)做出假設(shè)：①假設(shè)系統(tǒng)由一個多線程中央處理器（CPU）和一個GPU組成，兩者通過PCle總線協(xié)議進行通信；②輸入圖像格式設(shè)定為JPEG格式；③不考慮計算系統(tǒng)的協(xié)調(diào)和輸入/輸出設(shè)備，且使用多GPU的情況同樣也不考慮。之后對基于HOG的目標檢測和GPU實現(xiàn)進行了分析。通過圖像的HOG特征表示圖像，使用統(tǒng)一設(shè)備架構(gòu)對GPU編程，其可以通過并行計算提高大規(guī)模運算的速度。整個目標檢測過程為：①輸入圖像；②輸入預(yù)定義目標模型；③計算所有輸入圖像的HOG特征，也稱為HOG金字塔；④計算每一組根濾波器和組件濾波器的相似性值；⑤計算相似性值的總和；⑥根據(jù)計算結(jié)果對目標進行識別；⑦輸出識別結(jié)果。再之后對提出的技術(shù)與傳統(tǒng)的CPU實現(xiàn)方法進行對比。仿真分析了使用單核CPU、多核CPU和大規(guī)模并行GPU這3種目標檢測程序下的性能。將預(yù)先選好的10幅道路圖像作為輸入，將對這些圖像中車輛進行目標檢測的平均執(zhí)行時間作為主要性能指標。仿真結(jié)果表明：使用基于HOG特征和可形變模型的GPU比傳統(tǒng)的使用CPU的方法計算速度提升了3～5倍。但在實際使用中需要輸入攝像機捕獲的道路圖像，而文中未對將道路圖像傳輸?shù)紾PU的過程進行討論，這部分還需要進行優(yōu)化。

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

編譯：王亮