基于GPU的实时角点检测算法.docVIP

基于GPU的实时角点检测算法 　　摘 要：本文提出一类基于GPU的实时角点检测算法。该类算法在已有角点检测算法的基础上，利用GPU实现。为了进一步提高算法的速度，算法采用了角值图压缩的方法。实验证明基于GPU的实时角点检测算法适于1024*768分辨率的实时应用。 　　关键词：实时 角点检测 图形处理器 　　中图分类号：TP391 文献标识码：A 文章编号：1003-9082（2013）12-0003-01 　　一、概述 　　伴随着图形处理器（GPU）的飞速发展，GPU不仅仅能用于图形处理，其强大的并行处理能力使得GPU在计算[1]中表现较突出。使用GPU处理机器视觉领域的计算任务具备了广阔的前景。使用GPU实现基于CPU算法的主要突破点是如何修改算法使之适于GPU的并行计算模式。 　　在机器视觉的实时应用中，角点检测处理时间必须控制在10毫秒以内[2]。利用GPU实现角点检测算法是实时应用的必然选择。有一些常用的角点检测算法处理过程可以分为2步： 　　（1）设计一种衡量角值的函数，根据函数计算图像中每个像素的角值。角值大于预先指定阀值的像素被保留下来做为候选点。角值函数反映的是图像变化剧烈程度或图像边缘曲线上曲率。常用的KLT角点检测算法[3]、Harris角点检测算法[4]等采用了不同的角值函数。 　　（2）非极值抑制从候选点中挑选出具有局部极值的点做为角点。它保证每个位置的角点具有唯一性。 　　本文提出一类基于GPU的实时角点检测算法。它利用GPU的并行计算加速已有的角点检测算法如Harris、KLT角点检测算法。 　　二、算法的实现 　　1.角值计算 　　将图像作为纹理载入GPU的显存。使用函数计算 　　图像中像素的角值。小于指定阀值的角值被置零，表明该点不是角点。其余点保留下来作为角点的候选点。 　　上述过程作为片段程序被GPU中多个段处理器并行调用。这是GPU具有高效并行计算能力的主要原因。 　　2.非极值抑制 　　已有基于GPU的角点检测算法[5]在使用GPU计算角值后，由CPU执行非极值抑制。本文提出的算法将继续使用GPU执行非极值抑制。 　　本文提出的非极值抑制算法是收敛算法。算法需要运行若干次，直到所有点被判定为止。在每次执行中并行判断图像中每个点。当确定某点是角点，把角值置1，表明该点是角点。判断标准如下： 　　当前点角值是0或1说明它已确定是否为角点。 　　如果为其它值，说明当前点未被确定是否为角点，需进一步判断。 　　假如当前点存在任何邻点角值为1，就把当前点角值置0，说明当前点存在邻点是角点，当前点为非角点。 　　假如当前点的所有邻点的角值都不为1，且当前点角值比所有邻点角值都大，就把当前点的角值置1。当前点是角点。 　　算法执行后，仍有一些点没有确定是否为角点。算法下一次的执行又要开始，整个过程重复上面的步骤，直到所有点可以被确定。 　　3.角值图压缩 　　角值图的压缩可极大地降低非极值抑制中的运算量。如Fig. 1所示，原图中N*N区域中N2个邻点用压缩图的对应点P（x，y）表示，P （x，y）记录下对应N2个点中具有最大角值的点信息，包括角值及点坐标。 　　角值图压缩极大地降低了算法的时间。也引入了错误，它使得在2N *2N的区域至多只出现1个角点，可能会丢失角点。 　　4.正确性 　　算法的正确性要验证两点： 　　4.1点会被正确地分类 　　角点须同时满足两个条件：当前点没有邻点是角点；当前点不存在角值大于当前点的邻点。上面两点保证了角点是局部极值。 　　4.2非极值抑制是一个收敛算法，算法最终会收敛 　　每次执行非极值抑制算法时，一定存在一个具有最大角值的候选点。假如该点存在邻点是角点，该点被确定为非角点，否则该点被确定为角点。这就保证算法每执行一次至少可以确定一个点是否为角点，算法最终可以收敛。 　　三、实验及分析 　　1.实验环境 　　实验的硬件配置为：CPU Intel Q8200 2.33 GHz，内存2 GB，显卡NVIDIA GeForce 8800 GTX 768 Mb，算法在VC++6.0，OpenGL下实现。 　　图集含500张图片，分辨率有320*240、400*300、640*480、800*600 和1024*768像素，比如Fig. 2。实验中，下面五种算法应用于上面的图集。 　　KLT：基于CPU的KLT角点检测算法。 　　G_ KLT：改造的KLT角点检测算法，在使用GPU计算角值后，由CPU执行非极值抑制过程。 　　F_ KLT：本文提出的基于GPU的KLT角点检测算法。 　　C_F_ KLT：基于GPU的KLT角点检测算法，使用角值图压缩。 　　C_F_ Harris：