GPU computing framework to support high-dimensional data analysis: application to video based object tracking

Abstract

En este trabajo, un esquema de computo GPU es propuesto. El principal objetivo de dicho esquema es dar a conocer adecuadamente la información ms relevante a partir de un conjunto de datos de alta dimensión para mejorar el rendimiento de los principales enfoques dentro del área de visión por computador: detección de objetos basado en vídeo y seguimiento. Con este fin, se propone diseñar e implementar un esquema de cómputo GPU con el fin de tratar con el problema del seguimiento y la detección de objetos a través de la aplicación de técnicas de procesamiento de imágenes y técnicas de aprendizaje automático para as explotar el paralelismo masivo hilo dentro de la GPU. Por lo tanto, nuestro objetivo es mejorar la precisión y robustez del sistema y reducir los problemas de carga computacional. El esquema presentado se divide en tres etapas principales: En primer lugar, un enfoque de extracción de características implementadas en la GPU se propone con el fin de explotar la arquitectura multinúcleo y el desempeño de alto rendimiento masivamente paralelo haciendo uso del modelo de programación CUDA. A continuación, se compara el rendimiento del enfoque paralelo que se ejecuta en la GPU con la aplicación CPU secuencial con el fin de demostrar el aumento de velocidad y la eficacia de nuestras estrategias paralelas. En segundo lugar, una metodología de selección de características se presenta para estimar las características Haar-Like relevantes en la detección de objetos basado en vídeo y sistemas de seguimiento. Nuestra propuesta emplea un criterio de variabilidad y un método de Eigen-descomposición para identificar un subconjunto de características Haar-Like como expositoras de información discriminativa. De este modo, la representación proporcionada permite mejorar la separabilidad de las muestras, evitando al mismo tiempo la información redundante. En tercer lugar, la detección de objetos en el mundo real y el seguimiento problema se prueba. En concreto, el método propuesto se implementa para la detección de automóviles y la localización usando algunas secuencias de video e imágenes de internet para entrenar el sistema. Diferentes características Haar-Like se extraen de cada muestra y nuestro método de selección de características es llevado a cabo para garantizar una exactitud del sistema que tienen las características Haar-Like ms relevantes utilizando una máquina de vectores de soporte clasificador con fines de discriminación. Una vez extraído el modelo fuera de línea se implementa en C ++ también para validar el sistema en condiciones de tiempo real en algunos vídeos de vigilancia y escenas de carretera obtenidos de Internet. Los resultados obtenidos muestran cómo nuestro enfoque permite conseguir actuaciones aceptables en comparación con los algoritmos del estado del arte para la detección de objetos basado en vídeo y seguimiento mediante la formación fuera de línea. Por otra parte, nuestra metodología de análisis de relevancia es útil para poner de relieve las principales dependencias de pixeles en el modelado de un objeto dado

Abstract : In this work, a GPU Computing Framework is proposed. Our main goal is to properly reveal the most relevant information from high-dimensional data for enhancing the performance of two different computer vision approaches: video based object detection and tracking. To this end, we propose to design and implement a GPU computing framework in order to deal with the tracking and detection problem through the implementation of image processing and machine learning techniques to exploits the massive thread parallelism within the GPU. Hence, we aim to enhance the accuracy and robustness of the system and to reduce computational burden issues. The introduced framework is divided in three main stages: First, a feature extraction approach implemented on GPU is proposed in order to exploits the multicore architecture and the massively parallel high performance trough the use of the NIVIDA CUDA programming model. Then, We compare the performance of the parallel approach running on the GPU with the sequential CPU implementation in order to demonstrate the speedup and effectiveness of our parallel strategies. Second, a feature selection methodology is presented to estimate relevant Haar-like characteristics in video-based object detection and tracking systems. Our proposal employs a variability criterion and an eigendecomposition method to identify a subset of Haar-like features exhibiting discriminative information. Thereby, provided representation allows enhancing samples separability while avoiding redundant information. Third, a real-world object detection and tracking problem is tested. Specifically, proposed method is implemented for car detection and tracking using some World Wide Web video and image sequences to train the system. Different Haar-like features are extracted from each sample and our feature selection method is carry out to ensure a suitable system accuracy with the most relevant Haar-feature using a Support Vector Machine classifier for discrimination purposes. Computed off-line model is implemented in C++ also to validate the system in real-time conditions in some surveillance and highway scenes videos obtained from internet to. Attained results show how our approach allows achieving acceptable performances in comparison to state-of-the-art algorithms for videobased object detection and tracking using off-line training. Moreover, our relevance analysis methodology is useful for highlighting the main pixel dependencies when modeling a given object