论文题名: | CPU/GPU协同的道路监控关键技术研究与开发 |
关键词: | CPU/GPU协同;智能交通系统;图像解码;任务调度;监控技术 |
摘要: | 对交通路况进行实时监控,前提是能够及时、准确的采集各种交通参数。摄像装置拍摄的图像和视频,通过道路监控系统的处理和分析,可以对交通对象进行检测、识别等处理,对交通事件进行分析和判断。通过视频的方式进行检测,与传统的检测方式相比,可以获得更多的交通信息,为提高交通管理的智能化水平提供了更多的依据。 随着技术的发展,道路监控系统需要处理的数据量急剧增长,计算复杂度不断增加,通用型CPU的计算能力已经无法满足系统的计算需求。与此同时,图形处理器(GPU)的计算能力却以远超摩尔定律的速度高速发展,可编程性的也在不断提升,CPU/GPU协同计算引起了越来越多的研究机构和研究者的关注。 围绕着如何加快道路监控系统中处理速度,提升系统的数据吞吐率,提高系统的可靠性,本文对CPU/GPU协同计算下道路监控系统中涉及的若干问题进行了有益的探索和研究。主要的研究工作和创新点如下: (1)提出了基于光照模型及像素当量的车型快速识别算法,可以消除日照阴影对目标检测的影响,并根据目标所占的像素数,应用像素当量,快速的识别车辆的类别。 (2)提出了基于GPU的JPEG区域解码算法。针对JPEG标准中无法实现感兴趣区域(ROI)解码的缺陷,在JPEG文件解码过程中,就将ROI外的数据舍弃,通过GPU对解码过程中的运算量最大的IDCT进行加速,通过大量的实验证明,采用该方法根据ROI的尺寸大小不同,能够达到几倍到几百倍的加速比。最后,在实验数据基础上,对加速比与图像及ROI尺寸大小的关系进行了讨论。 (3)提出了基于R-ELM的牌照字符识别方法。应用人工神经网络中的SLFN与R-ELM算法,对牌照字符分类器进行训练,实验证明,该方法可以在较小的训练集的基础上,快速达到满意的识别效果,并与BP算法及SVM算法的训练效果进行了比较,结果显示,可以取得1到3个数量级的速度提升。为了提高字符识别速度,还提出了采用弹性队列和动态负荷调整结合的方法,将字符数据组合成数据包,保证GPU识别过程中,运算效率最大化。实验显示,较之CPU,能得到近2个数量级的速度提升。 (4)提出了CPU-GPU异构环境下,基于EDF的实时任务调度算法。该算法在保证系统稳定运行的基础上,可以充分发挥CPU与GPU的特点,提升系统的运算能力。 |
作者: | 柯海丰 |
专业: | 计算机科学技术 |
导师: | 应晶 |
授予学位: | 博士 |
授予学位单位: | 浙江大学 |
学位年度: | 2014 |
正文语种: | 中文 |