一种多架构加速的尺度不变特征变换快速计算方法.docxVIP

一种多架构加速的尺度不变特征变换快速计算方法 规模-特征变换（sit）是一种测量和描述图像局部特征的算法。sit函数具有旋转、缩去、偏移等几何变量的不变性，并且对噪声和光的变化具有良好的稳定性。这是图像局部特征的优秀描述符号，在图像识别、图像配置等领域得到了广泛应用。 然而,SIFT特征的算法复杂度高、计算耗时过长,无法用于实时性要求较高的场合.随着可编程图像处理器GPU技术的成熟,其强大的并行计算能力和浮点运算能力,以及可编程能力使图像处理操作的加速成为可能. 针对SIFT特征提取的计算效率问题,国内外学者进行了很多研究,其中基于GPU和多核CPU对SIFT算法进行实现与优化成为近年来的研究热点.Sinha等人基于OpenGL和Cg语言在NVIDIA 7900GTX显卡上实现SIFT特征的GPU并行运算,但限于当时的软硬件条件,很多步骤并没有在GPU上执行,导致GPU和CPU之间的数据传输量很大,耗费了很多时间.Zhang等人在Intel 8核CPU上实现SIFT算法,并对算法的可伸缩性进行了详细的分析与实验. 本文提出一种基于统一计算设备架构(compute unified device architecture,CUDA)加速的SIFT特征提取算法,优化各计算步骤在GPU和CPU间的分配、调度及数据传输,并充分利用GPU浮点运算、并行计算及内存管理等方面的优势,使得SIFT特征提取的计算时间大大缩减. 1 特征点提取和描述 SIFT算法首先应用高斯卷积核构造图像尺度空间: L(x,y,σ)=G(x,y,σ)*I(x,y). (1) 式中:符号*表示卷积;G(x,y,σ)是尺度可变高斯函数. G(x?y?σ)=12πσ2e-(x2+y2)/2σ2G(x?y?σ)=12πσ2e?(x2+y2)/2σ2. (2) 式中:(x,y)是空间坐标,代表图像的像素位置;σ是尺度空间因子. 然后,利用不同尺度的高斯差分核与图像卷积构造高斯差分尺度空间(DoG scale-space). D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)= L(x,y,kσ)-L(x,y,σ). (3) 在DoG尺度空间中进行局部极值点检测,该过程需要遍历每一个像素点,并将其与26邻域的像素相比较,若该像素点灰度值是极大或极小值,则将其作为候选关键点保留下来. 接下来,对得到的候选关键点进行进一步的精选.首先获取关键点处拟合函数: D(X)=D+?DΤ?XX+12XΤ?2D?X2X, (4) 再对式(4)求导并让方程等于零,可以得到极值点: ?X=-?2D-1?X2?D?X. (5) 对应极值点,方程的值为 D(?X)=D+12?DΤ?X?X. (6) DoG算子会产生较强的边缘响应,需要剔除不稳定的边缘响应点.获取特征点处的Hessian矩阵,主曲率通过一个2×2的Hessian矩阵H求出, Η=[DxxDxyDxyDyy]. (7) H的特征值α和β代表x和y方向的梯度, tr(Η)=Dxx+Dyy=α+β?det(Η)=DxxDyy-(Dxy)2=αβ.}(8) tr(H)表示矩阵H对角线元素之和,det(H)表示矩阵H的行列式.假设α是较大的特征值,β是较小的特征值,α=rβ.为了剔除边缘响应点,只需检测式(9)是否小于某阈值, tr(Η)2det(Η)=(α+β)2αβ=(rβ+β)2rβ2=(r+1)2r.(9) 对精选得到的关键点进行方向分配,得到梯度模值m(x,y)和梯度方向θ(x,y): m(x?y)=√(L(x+1?y)-L(x-1?y))2+(L(x?y+1)-L(x?y-1))2,θ(x?y)=arctan(L(x?y+1)-L(x?y-1)L(x+1?y)-L(x-1?y)).}(10) 式中L表示关键点的尺度. 最后,生成128维的特征点描述符.Lowe在论文中指出,对每个关键点使用4×4共16个种子点来描述,每个种子点由8个方向梯度组成.这样对于一个关键点就可以产生128个数据,即最终形成128维的SIFT特征向量,如图1所示. 2 特征算法流程 充分利用图像处理单元(GPU)在并行计算、浮点计算、内存管理等方面的优势,合理分配主机端和设备端的资源以及在SIFT特征计算中所承担的角色.特征算法流程如图2所示,其中高斯差分尺度空间构建、局部极值点检测、特征点方向梯度计算以及特征描述符计算在设备端(即在CUDA架构下)进行,这是提高SIFT特征提取算法速度的关键所在. 2.1 基于gpu的高斯滤波和高斯差分无线网络构建 首先将图像从主机端的内存拷入设备端,并绑定纹理内存.选择纹理内存是考虑到以下因