[发明专利]基于GPU的图像特征提取算法的加速方法

摘要

本发明属于并行处理器技术领域，具体涉及一种基于GPU的图像特征提取算法的加速方法。本发明主要对目前主流的图像特征提取算法在GPU上进行了细粒度的并行实现，同时根据GPU的特性进行了优化加速，并且采用了异步流水线的协同工作机制来使CPU与GPU可以协同计算。测试结果表明，当硬件配置为Intel Q8300的CPU和GTX260的GPU时，算法速度为172.33帧/秒，是串行算法的67倍。而当硬件配置为Intel I7的CPU和GTX295的GPU时，速度高达340.47帧/秒，可以较好地满足实时处理的需求。

主权项

 一种基于GPU的图像特征提取算法的加速方法，其特征在于：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，即按每个特征点，来开发数据并行；使用CUDA编程模型，将这种细粒度的数据并行映射到GPU上计算；所述的局部特征检索算法采用检索算法SURF；所述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，它分为三阶段：图像初始化、特征检测和特征描述；特征检测与特征描述两个部分放在GPU上计算；所述图像初始化，分为载入图像、计算灰度图像、计算积分图像三步；所述特征检测，是利用积分图像检测出图像的特征点；其中，首先计算每个点的特征值；此阶段映射到GPU上时，每个点的特征值计算相对独立，每个采样像素点为一个GPU线程；具体使用o个内核循环计算来避免GPU上的分支计算，o为SURF算法中图像层数；当每个点的特征值计算完毕之后，即进入特征点定位阶段；该阶段在每8个相邻点中选取特征值最大的点作为可选的特征点；每8个点为一个GPU线程进行计算；所述特征描述，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；其中，首先对每个特征点周围的109个像素点做哈尔小波变换，该阶段每个周围的像素点为一个GPU线程；接着，该109个周围点对特征点的42个特征方向区域进行投票，票数最多的那个方向为该特征点的方向，该阶段每个特征区域为一个GPU线程；最后，每个特征点生成一个64维特征向量，该向量的计算由特征点周围4*4的区域中计算出来，因此，每个特征点又分为16个GPU线程来计算。