[发明专利]基于GPU的图像特征提取算法的加速方法

说明书

技术领域

本发明属于并行处理器技术领域，具体涉及一种是图像特征提取算法的加速方法。

背景技术

随着人类进入数字时代，每天都有大量来自不同领域的数据产生。其中，多媒体数据类型，如图像、视频等，已经成为主要的数据类型之一。如何在日益增多的图像/视频数据中有效筛选信息已经受到了越来越多的研究关注。相比于传统的文本类应用，以多媒体数据为中心的应用，如检索引擎、过滤系统、拷贝检测等，有着越来越广泛的实用需求。其中，图像特征提取算法作为图像/视频信息检索筛选的一个重要基础算法，能有效地提取出图像或视频中关键帧的信息以供图像或视频间的比较，在这类系统应用中作为主要算法被广泛地使用。

从计算过程上讲，图像检索算法可以分成特征提取阶段和特征匹配阶段。特征提取阶段根据特征提取算法将图像的特征提取出来，包括图像的颜色特征，纹理特征，或是图像中的特征点（如特别亮的点）等。特征匹配阶段以比较两幅图像的特征来判断两幅图像是否匹配。从精确性上讲，基于局部特征的算法使用成百上千个特征代表一个图像（如图像中的特征点），因而精确性高，已被越来越多的应用系统所使用。现今主流的局部特征算法有SIFT、SURF算法等。但是，由于这种算法不但需要处理的数据量十分巨大，而且算法本身也很复杂，因而在处理速度上受到了很大的限制，在一些应用中则不能满足用户的实时需求。因此，如何有效提升局部特征提取算法的处理速度成为当前体系结构和检索领域的一个研究热点。

最近几年，随着半导体技术的发展和多核技术的普及，各种并行计算系统逐渐成为应用设计的主流。随着图像处理单元GPU（generalpurposeprocessors）通用性和可编程性的增强，它也成为其中一个不可或缺的组成部分。现代GPU不仅仅是一个单纯的图像处理引擎，更是一个高度并行的可编程处理器。相比于CPU来说，在相同晶体管数量的情况下，GPU用更多的晶体管来进行计算。高度数据并行的本质使GPU有着更为强大的算术处理能力，同时，它也有着更高的存储器带宽和更加便宜的价格，这为它在高性能计算领域带来了极大的竞争力。

图像检索中的局部特征提取算法存在多种并行方式，这为它在GPU上的并行实现提供了可能。同时，GPU的强大计算能力，为提高局部特征提取算法的性能提供了强有力的基础。因此，本发明致力于利用GPU来对基于局部特征提取算法的图像检索算法进行优化加速。

发明内容

本发明的目的在于对目前主流的图像特征提取算法提供一种优化加速的方法。

本发明提供的对图像特征提取算法进行优化加速的方法，主要利用了GPU技术。即本发明对图像特征提取算法在GPU上予于细粒度地并行实现，并根据GPU的特性进行优化；同时，采用异步流水线的协同工作机制使CPU与GPU协同工作，从而进一步提高处理效率。

本发明首先在GPU上细粒度地实现图像特征提取的并行算法，所谓细粒度是指在局部特征提取算法的每一个阶段分别以最小的粒度，如按每个特征点，来开发数据并行。细粒度的并行能更充分地发挥GPU的并行计算能力。本发明使用CUDA（ComputeUnifiedDeviceArchitecture）编程模型，将这种细粒度的数据并行映射到GPU上计算。所选取的局部特征检索算法为目前主流的检索算法SURF（Speeded-UpRobustFeatures）。在描述具体的并行实现之前，我们先介绍一下局部特征检索算法的主要算法过程，然后再说明每一个阶段是怎样在GPU上得以实现的。

局部特征检索算法检测出图像特征并对这些特征加以描述，它主要分三阶段：图像初始化、特征检测和特征描述，如图1所示。

图像初始化，其过程中分为载入图像、计算灰度图像、计算积分图像三步。特征检测部分，则利用积分图像检测出图像的特征点（比如说暗点中特别亮的点）。接着特征描述部分使用特定的数据结构对找到的特征点加以描述，以方便以后对图像的处理。在局部特征检索算法中，主要的计算时间集中在特征检测与特征描述两个部分，所以本发明将这两个部分放在GPU上计算。