【摘要】：加速魯棒特征算法(speed up robust features,SURF)的時間復(fù)雜度大,傳統(tǒng)串行計算的方法,實時性難以保證.針對上述問題,提出一種基于OpenCL架構(gòu)的SURF并行實現(xiàn)方法.首先對算法中的積分圖的計算、Hessian響應(yīng)圖、特征點主方向、特征點描述等步驟實施數(shù)據(jù)并行和任務(wù)并行處理,并給出詳細(xì)的算法流程.接著從OpenCL架構(gòu)的數(shù)據(jù)傳輸、內(nèi)存訪問以及負(fù)載均衡等方面優(yōu)化算法性能.實驗結(jié)果表明,該算法對不同分辨率的圖片均實現(xiàn)了10倍以上的加速比,一些高分辨率的圖片甚至可以達(dá)到39.5倍,并且算法適用于多種通用計算平臺.
【圖文】：

它由宿主機(jī)程序定義，當(dāng)宿主機(jī)發(fā)出提交內(nèi)核命令后，ＯｐｅｎＣＬ運(yùn)行時系統(tǒng)會在設(shè)備上創(chuàng)建一個Ｎ維工作索引空間，對應(yīng)這個索引空間中的每個點分別執(zhí)行內(nèi)核的實例．每個實例稱為工作項，多個工作項組成工作組．１．３內(nèi)存模型ＯｐｅｎＣＬ的內(nèi)存模型將內(nèi)核用到的內(nèi)存分為４種類型：全局內(nèi)存、常量內(nèi)存、局部內(nèi)存和私有內(nèi)存．它們的作用范圍不同，并且讀寫速度相差巨大．從左到右內(nèi)存的作用范圍依次遞減，讀寫速度遞增．各類內(nèi)存的有效作用范圍及其在異構(gòu)平臺的位置如圖１所示．圖１ＯｐｅｎＣＬ內(nèi)存結(jié)構(gòu)Ｆｉｇ．１ＭｅｍｏｒｙｓｔｒｕｃｔｕｒｅｏｆＯｐｅｎＣＬ１．４編程模型ＯｐｅｎＣＬ的編程模型支持?jǐn)?shù)據(jù)并行模型和任務(wù)并行模型．?dāng)?shù)據(jù)并行模型指的是同一段指令并發(fā)作用在內(nèi)存對象的不同數(shù)據(jù)元素上．ＯｐｅｎＣＬ提供了層次結(jié)構(gòu)的數(shù)據(jù)并行，即工作組中工作項的數(shù)據(jù)并行，再加上工作組層次的數(shù)據(jù)并行，因此開發(fā)人員需要顯式地規(guī)定參與計算的所有工作項節(jié)點數(shù)，同時還要規(guī)定每個節(jié)點所屬的工作組．８０９第１０期基于ＯｐｅｎＣＬ的加速魯棒特征算法并行實現(xiàn)

當(dāng)扇形內(nèi)像素點的Ｈａａｒ特征值總和最大時，該扇形的方向即作為特征點主方向；最后以特征點主方向為ｘ軸，構(gòu)造邊長為２０σ的正方形區(qū)域，并等分成１６塊子區(qū)域，如圖２（ｂ）所示，計算每塊子區(qū)域內(nèi)的Ｈａａｒ特征值，并構(gòu)造一個４維向量如下：νｓｕｂｒｅｇｉｏｎ＝∑ｄｘ，∑ｄｙ，∑ｄｘ，∑（ｄｙ）（１）式中，ｄｘ、ｄｙ為ｘ和ｙ方向的ｈａａｒ特征值．１６塊子區(qū)域的４維向量共同組成一個６４維的特征點描述符．圖２特征點鄰域示意圖Ｆｉｇ．２Ｎｅｉｇｈｂｏｒｈｏｏｄｏｆｆｅａｔｕｒｅｐｏｉｎｔ由于ＳＵＲＦ算法引入了尺度空間理論，要將原圖像與可變尺度的２維高斯濾波模板進(jìn)行卷積，形成圖像金字塔．此時Ｈｅｓｓｉａｎ矩陣可以表示為Ｈ（ｘ，σ）＝Ｌｘｘ（ｘ，σ）Ｌｘｙ（ｘ，，σ）Ｌｘｙ（ｘ，σ）Ｌｙｙ（ｘ，σ）q縬纐膓牛ǎ玻┪思涌焱枷竦木砘蹋櫻眨遙撲惴ú捎梅嬌蚵瞬ㄆ鶻剖劍ǎ玻┲械母咚茍孜⒎鄭雜Φ姆嬌蚵瞬０迦繽跡常ǎ幔褂梅嬌蚵瞬ù硨�，图像的｝x澹螅螅椋幔釹煊χ導(dǎo)撲憬莆洌澹簦ǎ齲幔穡穡潁錚劍模模ǎ埃梗模玻ǎ常┦街校模�、Ｄｙｙ和Ｄｘｙ为各份^虻姆嬌蚵瞬ǖ慕峁櫻眨遙撲惴ㄖ謝勾罅渴褂茫齲幔幔蛺卣鰨齲幔幔蛺卣髂０迦繽跡常ǎ猓┧荊跡襯０澹疲椋紓常攏錚媯椋歟簦澹潁螅幔睿洌齲幔幔潁鰨幔觶澹歟澹簦媯椋歟簦澹潁蟠送猓綣看畏

本文編號：2523406