Techniques de vidéosurveillance embarquées basées sur l’algorithme parallèle K-means, cas de détection d’objets abandonnés

Abstract

الملخص (بالعربية) : تركزهذه الأطروحة على تصميم وتنفيذ خوارزميات التجميع (clustering)المتوازية في الوقت الحقيقي(real-time) المعروفة التي تستغرق وقتا طويلا وتستهلك الطاقة في الكشف عن الأشياء المتخلي عنها في مجال المراقبة بالفيديو. وحدات معالجة الرسوماتGPU واعدة جدا لتسريع الخوارزميات المكثفة حسابيا. لغة الحوسبة المفتوحة (OpenCL) هي واجهة برمجة تطبيقات موحدة عبر المنصات مصممة لدعم تطوير تطبيقات متوازية على أنظمة الحوسبة غير المتجانسة ،تسمح OpenCLللمطورين باستخدام إمكانات وحدات معالجة الرسومات دون الحاجة إلى تطوير واسع و معرفة الأجهزة. يتم استخدام منصة OpenCL في هذه الأطروحة لتسريع الخوارزميات المكثفة حسابيا في مجال التعلم الآلي والحوسبة العلمية. الخوارزميات المدروسة هي k-meanclusteringو k-mean++ clustering. وقد تفوقت k-meansclusteringkernelsو++k-meansالمصممةلGPUsإلى حد كبيرعلى التطبيقات المصممة ل CPU. الخوارزميات المتوازية من K-means و k-means++ clustering باستخدام منصة لغة الحوسبة المفتوحة (OpenCL) مصممة ل GPUsأداء جيدابالمقارنةمعوحداتالمعالجةمصممةل CPU. تمتنفيذخوارزميةk-meansالمتوازيةباستعمالالنظامالأساسيOpenC Lفي نظام الكشف التلقائي عن الأشياء المتخلي عنها في مجال المراقبة بالفيديو. وأظهرت النتائج أن هناك تحسين كبير في الوقت الذي تجاوز إلى حد كبير خوارزمية k-means التقليدية ،مع الحفاظ على نفس الدقة للكشف عن الأشياء المتخلي عنها. وقد تم تصميم نظامنا لمعالجة أشرطة الفيديو في الوقت الحقيقي (real-time) للكشف عن الأشياء المتخلي عنها.

الكلمات المفتاحية : Clustering ; OpenCL ; k-means ; k-means++ ; GPUs Résumé (en Français) :

Cette thèse vise pour son essentiel la conception et la mise en oeuvre d’algorithmes parallèles temps réels de clustering, réputés d’être très chronophages et énergivores dans la détection des objets abandonnés dans le domaine de la vidéosurveillance. Les GPUs sont très prometteurs pour l'accélération des algorithmes à forte intensité de calcul. Le langage Open ComputingLanguage (OpenCL) est une API (Application Programming Interface) multiplateforme standardisé conçu pour prendre en charge le développement d'applications parallèles sur des systèmes informatiques hétérogènes. OpenCL permet aux développeurs d'utiliser le potentiel des GPUs sans avoir besoin d'un longtemps de développement et de connaissances matérielles approfondies. La plateforme OpenCl estutilisée dans cette thèse pour accélérer les algorithmes à forte intensité de calcul dans le domaine de l'apprentissage automatique et du calcul scientifique. Les algorithmes étudiés sont le clustering k-means, et K-means++. Les noyaux de clustering K-means et K-means++ conçus pour lesGPUs ont largement surpassé les implémentations optimisées du CPU. Les implémentations parallèles des algorithmes du clustering K-means et K-means++, en utilisons la plateforme OpenCL synthétisées pour GPUs, ont obtenu de bons résultats par rapport aux CPU. L’algorithme K-means parallèle en utilisant la plateformeOpenCL a été implémenté dans le système de détection automatique des objets abandonnés. Les résultats montrent qu'il y a un gain de temps qui surpassant de manière significative l’algorithme K-means séquentiel, en gardant la même précision pour la détection des objets abandonnés. Notre système a été conçu pour traiter des vidéos en temps réel pour la détection des objets abandonnés.

Les mots clés : Clustering ; OpenCL ; k-means ; k-means++ ; GPUs ; objets abandonnés ; vidéos surveillance

Abstract (en Anglais) :

This thesisfocuses on the design and implementation of real-time parallel clustering algorithms known to bevery time-consuming and energy-consuming in the detection of abandoned objects in visual surveillance. GPUs are very promising for accelerating computationally intensive algorithms. The Open ComputingLanguage (OpenCL) is a standardized cross-platform API designed to support the development of parallel applications on heterogeneous computing systems, OpenCL allows developers to utilize the potential of GPUs without the need for extensive development and hardware knowledge. The OpenCL platform is used in this thesis to accelerate computationally intensive algorithms in the area of machine learning and scientificcomputing. The studied algorithms are K-means and K-means++ clustering. The K-means and K-means++ clustering kernels designed for GPUs have largely outperformed the CPU-optimized implementations. Parallel implementations of the K-means and K-mean++ clustering algorithms using the Open Computing Language (OpenCL) platform designed for GPUs have achieved good results compared to CPUs. The parallel K-means algorithm using the OpenCL platform was implemented in the system to detect abandoned objects in real-time. The results showed that there was a time gain that significantly outperformed the sequential K-means algorithm while maintaining the same accuracy for abandoned object detection. Our system was designed to process real-time video for abandoned object detection. Keywords : Clustering ; OpenCL ; k-means ; k-means++ ; GPUs ; objets abandonnés ; vidéos surveillance