【摘要】：機(jī)器人視覺(jué)伺服是一個(gè)復(fù)雜的系統(tǒng),能夠應(yīng)用在不同領(lǐng)域。本文以視覺(jué)伺服為背景,重點(diǎn)研究基于CUDA的快速目標(biāo)識(shí)別內(nèi)容。采集相機(jī)信息,最終給出識(shí)別目標(biāo)的位置偏差,輸出給視覺(jué)伺服系統(tǒng)以供控制應(yīng)用。文中首先重點(diǎn)討論了目標(biāo)識(shí)別算法的相關(guān)問(wèn)題,包括跟蹤方法,識(shí)別方法等等。其次重點(diǎn)關(guān)注并行優(yōu)化問(wèn)題,對(duì)實(shí)際選擇的SIFT,CAMSHIFT等基本模塊的算法實(shí)現(xiàn)進(jìn)行了針對(duì)CUDA平臺(tái)的應(yīng)用優(yōu)化。最后通過(guò)搭載機(jī)器人視覺(jué)伺服系統(tǒng),驗(yàn)證了方法的可行性和方法的性能。本文研究?jī)?nèi)容包括四個(gè)部分,各部分內(nèi)容概括如下:第一部分:重點(diǎn)闡述了論文中所涉及到的幾個(gè)基本算法的相關(guān)內(nèi)容,包括一些原理的解釋,理解和說(shuō)明。首先簡(jiǎn)要介紹了項(xiàng)目背景下的算法處理過(guò)程,闡述明白實(shí)際的輸入輸出。其次介紹了SIFT的相關(guān)基礎(chǔ)知識(shí),包括尺度空間的構(gòu)建,極值點(diǎn)檢測(cè),特征點(diǎn)梯度計(jì)算,特征描述子計(jì)算,特征匹配等。再次介紹了CAMSHIFT的相關(guān)基礎(chǔ)知識(shí),包括直方圖的生成,反向概率投影,圖像矩計(jì)算,直方圖相交等。最后介紹了并行優(yōu)化的相關(guān)內(nèi)容,包括并行規(guī)約,Amdahld定理,Gustafson定理并行優(yōu)化原理上的東西。第二部分:重點(diǎn)闡述了快速目標(biāo)識(shí)別算法的具體設(shè)計(jì)。包括具體的應(yīng)用實(shí)現(xiàn),具體的配合方式等。首先介紹了基于SIFT特征匹配實(shí)現(xiàn)穩(wěn)定的特征匹配,用來(lái)提供穩(wěn)定的特征參考。其次介紹了基于CAMSHIFT跟蹤的快速目標(biāo)ROI獲取。最后介紹了算法的評(píng)價(jià)機(jī)制以及識(shí)別策略。第三部分:重點(diǎn)闡述了快速目標(biāo)識(shí)別算法的實(shí)際并行優(yōu)化設(shè)計(jì)。從并行優(yōu)化的角度上,具體應(yīng)用相關(guān)原理。首先是基于SIFT相關(guān)模塊進(jìn)行實(shí)際的CUDA框架設(shè)計(jì)實(shí)現(xiàn)。其次是基于CAMSHIFT相關(guān)子模塊進(jìn)行實(shí)際的CUDA框架設(shè)計(jì)實(shí)現(xiàn)。第四部分:進(jìn)行了具體的實(shí)驗(yàn)。分別從單模塊的識(shí)別效果,整體的識(shí)別效果等,具體展示該方法的實(shí)際效果。并且對(duì)結(jié)果進(jìn)行了簡(jiǎn)單的分析和介紹。
[Abstract]:Robot visual servo is a complex system which can be applied in different fields. Under the background of visual servo, this paper focuses on the fast target recognition based on CUDA. The camera information is collected. Finally, the position deviation of the target is identified and output to the visual servo system for control application. In this paper, we focus on the related problems of target recognition algorithms, including tracking methods, recognition methods and so on. Secondly, the parallel optimization problem is focused on, and the algorithm implementation of the basic modules such as SIFT,CAMSHIFT is optimized according to the CUDA platform. Finally, the feasibility and performance of the method are verified by the robot visual servo system. The research contents of this paper include four parts. The contents of each part are summarized as follows: the first part focuses on the related contents of several basic algorithms involved in the paper, including the explanation, understanding and explanation of some principles. Firstly, the algorithm processing process under the project background is briefly introduced, and the actual input and output are explained. Secondly, the basic knowledge of SIFT is introduced, including the construction of scale space, detection of extreme points, gradient calculation of feature points, computation of feature descriptors, feature matching and so on. Thirdly, the basic knowledge of CAMSHIFT is introduced, including histogram generation, backward probability projection, image moment calculation, histogram intersection and so on. Finally, the related contents of parallel optimization are introduced, including parallel specification, Amdahld theorem and Gustafson theorem. The second part focuses on the design of fast target recognition algorithm. Including the concrete application realization, the concrete coordination way and so on. First, the stable feature matching based on SIFT feature matching is introduced, which is used to provide stable feature reference. Secondly, the fast target ROI acquisition based on CAMSHIFT tracking is introduced. Finally, the evaluation mechanism and identification strategy of the algorithm are introduced. The third part focuses on the practical parallel optimization design of fast target recognition algorithm. From the point of view of parallel optimization, the related principle is applied in detail. First of all, the design and implementation of the actual CUDA framework based on the relevant modules of SIFT. Secondly, the design and implementation of the actual CUDA framework based on the CAMSHIFT related sub-module is carried out. The fourth part: the concrete experiment has been carried out. From the single module recognition effect, the overall recognition effect and so on, the actual effect of this method is shown in detail. The results are simply analyzed and introduced.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP242

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄭西點(diǎn);袁浩巍;杜正陽(yáng);陳忠;張文強(qiáng);;一種高速視覺(jué)實(shí)時(shí)定位與跟蹤系統(tǒng)的研制[J];上海電氣技術(shù);2015年01期

2 岳田爽;趙懷慈;花海洋;;基于CUDA的光線追蹤優(yōu)化算法研究與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用與軟件;2015年01期

3 閆鈞華;杭誼青;許俊峰;儲(chǔ)林臻;;基于CUDA的高分辨率數(shù)字視頻圖像配準(zhǔn)快速實(shí)現(xiàn)[J];儀器儀表學(xué)報(bào);2014年02期

4 楊斌;周如江;張明利;薛旦;;基于機(jī)器視覺(jué)的智能定位與檢測(cè)技術(shù)研究[J];機(jī)械工程師;2013年11期

5 黃海;;淺論CPU現(xiàn)狀及發(fā)展趨勢(shì)[J];河南科技;2013年02期

6 汪前進(jìn);高勇;李存華;;基于多核處理器的多任務(wù)并行處理技術(shù)研究[J];計(jì)算機(jī)應(yīng)用與軟件;2012年07期

7 肖江;胡柯良;鄧元勇;;基于CUDA的矩陣乘法和FFT性能測(cè)試[J];計(jì)算機(jī)工程;2009年10期

8 陳國(guó)良;苗乾坤;孫廣中;徐云;鄭啟龍;;分層并行計(jì)算模型[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2008年07期

9 沈緒榜;;MPP系統(tǒng)芯片體系結(jié)構(gòu)技術(shù)的發(fā)展[J];中國(guó)科學(xué)(E輯:信息科學(xué));2008年06期

10 馮煌;;GPU圖像處理的FFT和卷積算法及性能分析[J];計(jì)算機(jī)工程與應(yīng)用;2008年02期

相關(guān)會(huì)議論文 前1條

1 譚錦輝;顧亞平;張俊;謝兵森;;一種融合CAMShift和SIFT的視頻對(duì)象跟蹤算法[A];第九屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅰ[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 于瀟宇;高速視覺(jué)測(cè)量系統(tǒng)關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

2 白洪濤;基于GPU的高性能并行算法研究[D];吉林大學(xué);2010年

相關(guān)碩士學(xué)位論文 前5條

1 陳雪;基于DataMPI的并行矩陣乘法計(jì)算模型研究[D];上海大學(xué);2016年

2 陳朝;孔組位置度視覺(jué)測(cè)量技術(shù)研究[D];吉林大學(xué);2015年

3 袁顯贊;基于機(jī)器視覺(jué)的裝配孔組定位技術(shù)研究[D];長(zhǎng)春工業(yè)大學(xué);2015年

4 宋金華;六軸工業(yè)機(jī)器人的軌跡規(guī)劃與控制系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2013年

5 張新;并行支持向量機(jī)算法研究[D];山東科技大學(xué);2009年

，

本文編號(hào)：2451659