Аннотация.

В работе обсуждается вопрос SIMD-конформности алгоритма Виолы—Джонса и исследуются возможности его распараллеливания на SIMD-архитектурах, в том числе специализированных графических процессорах (GPU). Разработана SIMD-конформная реализация алгоритма вычисления признаков  Хаара в алгоритме Виолы—Джонса. Предложено несколько вариантов GPU-реализации алгоритма Виолы—Джонса, проведены численные эксперименты, позволяющие сравнить данные варианты и последовательную реализацию алгоритма Виолы—Джонса на одном и том же физическом устройстве (APU), совмещающем в себе центральный и графический процессоры.

Ключевые слова:

алгоритм Виолы—Джонса, обнаружение объекта на изображении, зрительный интеллект, SIMD, OpenCL, GPU.

Стр. 97-105.

S. A. Gladilin, A. S. Grigoryev, A. A. Kotov, D. P. Nikolaev

"OpenCL Viola and Jones algorithm implementation"

Abstract. The paper discusses the SIMD-conformity of Viola-Jones algorithm. The possibility of its parallelization on SIMD-architectures including specialized graphics processors (GPU), is evaluated. SIMD-conformal Haar features computing algorithm has been developed. Several options for GPU implementation of Viola-Jones algorithm have been proposed. The authors have also performed numerical experiments to compare these options with sequential implementation of Viola-Jones algorithm on the same physical device (APU) combining CPU and GPU.

Keywords: Viola-Jones algorithm, object detection, machine vision, SIMD, OpenCL, GPU.

Полная версия статьи в формате pdf.

 REFERENCES

1. Flynn M. Very high-speed computing systems // Proceedings of the IEEE. Dec. 1966. Vol.54. No.12, P. 1901,1909.
2. [Elektronnyy resurs] http://gpgpu.org/
3. Obukhov A. Face Detection with CUDA, GraphiCon, 2009.
4. Hefenbrock D.,  Oberg J.,  Nhat Thanh,  Kastner R.,  Baden S. B.  Accelerating  Viola-Jones  Face  Detection  to FPGA-Level Using GPUs, 18th IEEE Annual International Symposium on Field-Programmable Custom Computing Machines (FCCM), 2010. P. 11–18.
5. Krpec J., Němec M. Face Detection CUDA Accelerating, ACHI 2012. The Fifth International Conference on Advances in Computer-Human Interactions. P. 155–160.
6. [Elektronnyy resurs] http://www.khronos.org/opencl/
7. [Elektronnyy resurs] http://www.amd.com/la/ Documents/49282_G-Series_platform_brief.pdf
8. Viola P.  and Jones M., «Rapid object detection using a boosted cascade of simple features» // Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). V. 1. No. 1. IEEE Computer Society, 2001. P. 511–518.
9. Usilin S. A.,  Nikolaev D. P., Postnikov V. V. Poisk obektov v videopotoke pri izvestnykh kinematike i geometricheskoy modeli stseny // Trudy 53-y nauchnoy konferentsii MFTI «Sovremennye problemy fundamentalnykh i prikladnykh nauk». Chast IX. Innovatsii  i  vysokie  tekhnologii.  M.:  MFTI,  2010. S. 67–69.
10. Usilin S. A., Nikolaev D. P., Postnikov V. V. Lokalizatsiya, orientatsiya i identifikatsiya dokumentov s fiksirovannoy geometriey na izobrazhenii // Trudy Instituta sistemnogo analiza RAN. Obrabotka informatsionnykh i graficheskikh resursov / Pod red. Arlazarova V. L. M.: Krasand/URSS, 2010. S. 248–261.
11. Schapire R. E., Singer Y. «Improved Boosting Algorithms Using Confidence-rated Predictions» // Machine Learning. December 1999. V. 37, Issue 3. P. 297–336.
12. Grigoryev A., Khanipov T., Nikolaev D. Determination of axle count for vehicle recognition and classification. 8th Open German-Russian Workshop «Pattern Recognition and Image Understanding»: Workshop proceedings. Nizhny Novgorod, 2011. P. 89–91.
13. Grigorev  A. S.,   Gladkov A.,   Nikolaev D. P.   Sistema podscheta kolesnykh osey transportnykh sredstv i ee optimizatsiya s pomoshchyu programmnogo paketa NOMAD // Informatsionnye tekhnologii i sistemy (ITiS’12). Petrozavodsk, 2012. M.: IPPI RAN, 2012. S. 396–400.