馮云迪，王學(xué)淵，鄒傳云

（1.西南科技大學(xué) 信息工程學(xué)院，綿陽 621000；2.特殊環(huán)境機器人技術(shù)四川省重點實驗室，綿陽 621000）

0 引言

在視頻測量（Video measurement）中，通常利用像素位移的結(jié)果來提取場景中對象的運動特征[1]。光流是描述視頻序列中連續(xù)兩幀之間像素相對位移的矢量場，光流法是估計該矢量場的方法[2]，因此可以通過光流法獲得對象的運動特征。目前光流法已應(yīng)用于目標(biāo)識別（在文獻(xiàn)[3]中，根據(jù)像素的運動流對像素分類，將諸如汽車之類的剛體與人進行區(qū)分）、獲得運動目標(biāo)掩模[4]等領(lǐng)域。此外，光流法在風(fēng)洞試驗?zāi)Ｐ捅砻娴娜帜ψ铚y量[5]中也是必不可少的。

目前為了提高HS光流法[6]的實時性，研究人員一方面對算法進行改進[7,8]，另一方面利用硬件平臺對其加速[9～12]，但對于高分辨率圖像均難以達(dá)到實時光流計算的效果。HS光流法采用二維卷積計算像素點各方向的梯度值，通過計算整幀圖像所有像素點獲得光流場會面臨以下問題：1）二維卷積操作存在數(shù)據(jù)的重復(fù)讀取與計算，浪費大量時間；2）每次的光流計算會包含受光照變化影響而產(chǎn)生虛假更改的像素點，徒增無關(guān)計算量。

為此，提出了一種高分辨率圖像的實時光流計算方案：1）基于動態(tài)灰度閾值的圖像序列處理策略，對連續(xù)兩幀圖像之間改變的像素灰度值，設(shè)定自適應(yīng)的閾值，剔除掉受光照變化影響的像素點，進而提升算法的計算效率；2）增量更新的數(shù)值求導(dǎo)方法，減少重復(fù)計算，節(jié)約梯度計算階段的時間開銷；3）基于GPU的圖像并行存儲檢索結(jié)構(gòu)與共享內(nèi)存優(yōu)化策略，減少數(shù)據(jù)傳輸耗時，提高數(shù)據(jù)訪問速度。

1 HS光流法理論分析

根據(jù)文獻(xiàn)[6]中的討論，可知HS光流法通過以下方式獲得光流：

基于HS光流法的計算可以分為4個階段：圖像預(yù)處理階段P1、梯度計算階段P2（Ix、Iy、It）、平滑過程P3以及迭代計算階段P4（如式(1)、式(2)所示）。其中梯度計算階段P2使用卷積操作獲取圖像的一階梯度，其計算公式如下：

式中列索引i對應(yīng)于圖像中的y方向，行索引j對應(yīng)于圖像中的x方向，而k沿時間t方向，索引示意圖如圖1所示。

圖1 索引示意圖

另一方面，P3中用于計算u和v的拉普拉斯算子的公式如下：

2 本文方法

為了實現(xiàn)對高分辨率圖像的實時光流計算，本文提出的加速方案分為三個部分：1）通過剔除受光照影響產(chǎn)生虛假更改的像素點，減少無關(guān)計算量的動態(tài)灰度閾值策略；2）減少重復(fù)計算的增量更新的數(shù)值求導(dǎo)方法；3）減少數(shù)據(jù)傳輸耗時，提高數(shù)據(jù)訪問速度的圖像數(shù)據(jù)并行檢索結(jié)構(gòu)和共享內(nèi)存優(yōu)化策略。

2.1 動態(tài)灰度閾值策略

在真實場景中，通常只有部分像素在幀與幀之間是真實變化，另外一部分像素會因不可避免的光照變化產(chǎn)生虛假更改。如果僅處理真實變化的像素，則可以減少許多計算。因此，本文提出在HS光流算法中引入一個自適應(yīng)參數(shù)：動態(tài)灰度閾值T。T作為判斷像素點是否進行光流計算的依據(jù)，如果連續(xù)兩幀之間對應(yīng)像素點的灰度值更改大于或等于T，則對其進行解算；否則不執(zhí)行任何操作。T會隨著每組圖像進行自適應(yīng)改變。

在進行光流計算的過程中，若T=0，則會處理所有像素點。通過增大T可以減少待處理的像素點，減少算法運行時間。但T過高，又會導(dǎo)致光流計算結(jié)果不準(zhǔn)確，抹去真實的場景變化。因此如何設(shè)置合適的T，在剔除虛假更改的同時不影響目標(biāo)區(qū)域解算結(jié)果顯得尤為重要。文獻(xiàn)[13,14]中的閾值算法對圖像內(nèi)容或環(huán)境依賴性作出了不同假設(shè)，導(dǎo)致普適性較差。為此，提出利用圖像的灰度平均值來設(shè)置T。如果亮度恒定，連續(xù)兩幀圖像的灰度平均值相等，但當(dāng)光照變化時，連續(xù)兩幀圖像之間的灰度均值會不同，這種由光照變化引起的差異便可以用來設(shè)置T。通過對整張圖像進行灰度平均獲取，其計算公式如式(8)所示：

式中n×m表示圖像的大小，I表示灰度值，i和j是像素坐標(biāo)（i，j=1K，2K，3K…，K=1，2，3，…N）。

動態(tài)灰度閾值T通過計算連續(xù)兩幀圖像的灰度均值之差的絕對值得到，如式(9)所示：

2.2 增量更新的數(shù)值求導(dǎo)方法

在梯度計算階段（P2），單幀圖像上各像素點的計算過程其實質(zhì)為二維卷積操作，此操作存在重復(fù)計算，增加了不必要的時間開銷。為此，提出增量更新的數(shù)值求導(dǎo)方法，將二維卷積分解為兩個一維卷積，避免重復(fù)計算，加快求導(dǎo)速度。

若待求像素點坐標(biāo)為（i，j），灰度值為I（i，j）。利用式(3)求解其Ix，在單幀圖像上的計算過程為I（i，j+1）-I（i，j）+I（i+1，j+1）-I（i+1，j），會計算一次I（i，j+1）-I（i+1，j），如圖2中虛線框所示；當(dāng)待求點為（i+1，j），會重復(fù)計算一次I（i+1，j+1）-I（i+1，j）；當(dāng)待求像素點位于其它坐標(biāo)時，以此類推。

圖2 Ix計算示意圖

因此，將求解Ix的二維卷積分為兩個部分：1）按照y方向?qū)γ恳恍械南袼攸c依次進行一維水平卷積I（i，j+1）-I（i，j），卷積結(jié)果替換原坐標(biāo)上的灰度值；2）待水平卷積結(jié)束后再按照x方向?qū)γ恳涣械南袼攸c依次進行一維垂直卷積I（i+1，j）-I（i，j），最終卷積結(jié)果與原二維卷積結(jié)果相同。

同理，利用式(4)計算像素點的Iy，重復(fù)部分如圖3中虛線框所示。因此，將求解Iy的二維卷積分為兩個部分：1）按照x方向?qū)γ恳涣械南袼攸c依次進行一維垂直卷積I（i+1，j）-I（i，j），卷積結(jié)果替換原坐標(biāo)上的灰度值；2）待垂直卷積結(jié)束后再按照y方向?qū)γ恳恍械南袼攸c依次進行一維水平卷積I（i，j+1）-I（i，j），最終卷積結(jié)果與原二維卷積結(jié)果相同。由于It的卷積模板系數(shù)均為1，所以根據(jù)Ix或Iy分解方式進行計算均可。

圖3 Iy計算示意圖

若圖像大小為M×N，按照原二維卷積的方式進行一階求導(dǎo)，計算次數(shù)為M×N×3，而將二維卷積用兩個一維卷積替代之后，在得到相同結(jié)果的條件下，計算次數(shù)為M×N×2?？梢钥闯?，轉(zhuǎn)換之后計算量減少，能有效減少梯度計算階段（P2）的時間開銷。

2.3 光流法的并行加速及優(yōu)化

為了提高光流計算過程在GPU上的并行能力，設(shè)計圖像并行檢索結(jié)構(gòu)減少數(shù)據(jù)傳輸耗時，同時利用共享內(nèi)存提高數(shù)據(jù)訪問速度，以達(dá)到實時光流計算的效果。

2.3.1 基于GPU的圖像數(shù)據(jù)并行存儲檢索結(jié)構(gòu)

圖像數(shù)據(jù)并行存儲檢索結(jié)構(gòu)的作用是減少數(shù)據(jù)傳輸耗時，提高實時性，其結(jié)構(gòu)如圖4所示。

圖4 圖像數(shù)據(jù)并行存儲檢索結(jié)構(gòu)

圖5 光流解算流水并行結(jié)構(gòu)

圖4中原始圖像數(shù)據(jù)緩存塊Host為上位機內(nèi)存，灰度數(shù)據(jù)緩存Dev為GPU內(nèi)存。送往圖像預(yù)處理模塊的原始圖像數(shù)據(jù)以及送往光流解算模塊的灰度數(shù)據(jù)均采用乒乓操作完成，以此為基礎(chǔ)利用了多條CUDA（Compute Unified Device Architecture）流進行并行光流計算（CUDAStream_0表示第一條CUDA流），也由此形成了整個解算過程的流水并行。

分析表1可得：1）每個序列的圖像分辨率相同，而原HS光流法計算所有像素點，所以它處理不同實驗環(huán)境但分辨率相同的圖像序列時間開銷相同；2）基于動態(tài)灰度閾值的光流法由于實驗環(huán)境的不同導(dǎo)致剔除受光照影響的像素點數(shù)量不同，進而不同實驗環(huán)境下處理單組圖像的時間開銷略有差異；3）基于動態(tài)灰度閾值的光流法計算效率較原HS光流法效率平均提升122.81%。

表1 單組圖像的光流計算耗時

該實驗表明：在風(fēng)速和吹風(fēng)角度不同的風(fēng)洞環(huán)境中，動態(tài)灰度閾值策略均能有效剔除因受光照變化影響而產(chǎn)生虛假更改的像素點，提升HS光流法的計算效率。

3.2 增量更新的數(shù)值求導(dǎo)實驗

在上位機進行增量更新的數(shù)值求導(dǎo)實驗，求導(dǎo)計算的時間開銷僅與像素點數(shù)量有關(guān)。本實驗通過對一圖像序列（分辨率：1106×1984，2000組）進行3次空間降采樣，新增3種分辨率的圖像序列，如表2所示。不同分辨率下傳統(tǒng)數(shù)值求導(dǎo)方法與增量更新數(shù)值求導(dǎo)方法的單組圖像處理平均耗時如下：

表2 不同分辨率下的效率提升

分析表2可得：對于不同分辨率的圖像，增量更新的數(shù)值求導(dǎo)方法較傳統(tǒng)方法效率提升分別為：16.41%、17.60%、17.82%、18.57%。該實驗表明：增量更新的數(shù)值求導(dǎo)方法較傳統(tǒng)方法效率提升明顯，其效率隨圖像分辨率增加而提高。

3.3 光流并行計算實驗

本節(jié)實驗方法：1）在GPU和上位機（CPU）實現(xiàn)的光流算法結(jié)合了小節(jié)2.1動態(tài)灰度閾值策略與小節(jié)2.2增量更新的數(shù)值求導(dǎo)方法；2）在GPU實現(xiàn)的算法會采用小節(jié)2.3中的圖像數(shù)據(jù)并行存儲檢索結(jié)構(gòu)與共享內(nèi)存優(yōu)化策略；

圖12(a)為采集圖像實時顯示。為了能可視化對比GPU與CPU的光流計算結(jié)果，利用它們的結(jié)果繪制了流線圖與云圖，并疊加顯示。顯示效果如圖12(b)、圖12(c)所示，其中流線箭頭方向指明實驗中目標(biāo)運動方向，越亮的區(qū)域表示速度越大。

圖12 圖像的實時顯示及其光流計算結(jié)果

章節(jié)1將整個光流解算過程分為了4個階段。CPU重算與GPU實時計算的不同階段時間開銷如表3所示，相機幀率為80fps，分辨率為1728×2352。

表3 算法不同階段的時間開銷（單組圖像）

分析圖12可得：GPU實時解算結(jié)果與CPU重算結(jié)果一致。AAE（Average Angular Error）[15]用于判斷結(jié)果的準(zhǔn)確性，它越小說明CPU與GPU的結(jié)果越接近。經(jīng)統(tǒng)計，GPU的計算結(jié)果相對于CPU的計算結(jié)果，其AAE為0，說明GPU的計算精度與CPU一樣。

分析表3可得，對于分辨率為1728×2352的圖像：1）利用共享內(nèi)存的平滑過程（P3）加速效果最好；2）迭代計算階段（P4）的加速效果不明顯的原因是由于其計算復(fù)雜度高且反復(fù)訪問內(nèi)存；3）基于實時光流計算方案的光流法處理單組圖像平均耗時12.43781ms。

該實驗表明：對分辨率為1728×2352的圖像，本文提出的實時光流計算方案實時處理速度達(dá)到80幀/秒。

4 結(jié)語

本文通過動態(tài)灰度閾值策略剔除受光照影響的像素點，縮減了光流計算的數(shù)據(jù)量；利用增量更新的數(shù)值求導(dǎo)方法減少了梯度計算階段的時間開銷；使用圖像并行存儲檢索結(jié)構(gòu)以及共享內(nèi)存優(yōu)化策略，減少了數(shù)據(jù)傳輸耗時，提高了數(shù)據(jù)訪問速度。風(fēng)洞實驗表明：動態(tài)灰度閾值策略能有效剔除因受光照變化影響而產(chǎn)生虛假更改的像素點，提升HS光流法的計算效率。增量更新的數(shù)值求導(dǎo)實驗表明：增量更新的數(shù)值求導(dǎo)較傳統(tǒng)求導(dǎo)效率提升分別為16.41%、17.60%、17.82%以及18.57%，效率隨著圖像分辨率增加而提高。光流并行計算實驗表明：該方案可實現(xiàn)高分辨率圖像的實時光流計算，對于分辨率為1728×2352的圖像，處理速度達(dá)到80幀/秒。此外，隨著視頻測量中圖像分辨率的提高，提出的實時光流計算方案在目標(biāo)識別等領(lǐng)域具有廣泛的應(yīng)用價值。