[發(fā)明專利]一種基于序列影像Harris?DOG特征提取的多粒度并行優(yōu)化的方法

在審

• 申請?zhí)枺?/td>: 201710204294.3
• 申請日: 2017-03-30
• 公開（公告）號: CN106991638A
• 公開（公告）日: 2017-07-28
• 發(fā)明（設(shè)計）人: 劉金碩;李揚眉;江莊毅;章嵐昕;鄧娟;陳煜森;楊廣益;李晨曦
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06T1/20
• 分類號: G06T1/20;G06T1/60
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)42222
• 代理人: 魯力

1.一種基于序列影像Harris-DOG特征提取的多粒度并行優(yōu)化的方法，其特征在于，包括以下步驟：

步驟1：Harris-DOG特征提取的CUDA并行程序分為主機端CPU代碼和設(shè)備端GPU代碼，主機端負責(zé)數(shù)據(jù)預(yù)處理、數(shù)據(jù)匯總和GPU設(shè)備管理，設(shè)備端則負責(zé)并行計算；

步驟2：主機端采用多線程方式處理，讀入序列影像，然后上傳至GPU全局存儲器；

步驟3：在主機端，初始化Harris特征提取所需的參數(shù)并上傳參數(shù)值至GPU；計算進行DOG特征提取所需的高斯模板并綁定到GPU常量存儲器；具體包括：

步驟3.1、對于Harris特征提取，主機端首先讀入原始圖像存放于內(nèi)存中并初始化鄰域窗口大小等參數(shù)，然后一并上傳到GPU端；

步驟3.2、對于DOG特征提取，主機端一次性生成所有n個不同尺度下的高斯濾波模板，并將其綁定到GPU端常量存儲器中，以提高訪存速度；

步驟4：設(shè)備端采用CUDA并行方式處理，GPU線程采用條帶狀劃分，即所有的線程以一維方式組織，不同線程對應(yīng)圖像同一像素行的不同像素列，每個block設(shè)置256個線程；計算過程中，按像素行進行計算，由于block的設(shè)置,圖像又以256個像素列分為多個部分，每個部分之間有若干像素列相互重疊，以保證最終結(jié)果的正確性；

步驟5：GPU運用Harris算子進行特征提取，回傳Harris響應(yīng)值至CPU，具體包括：

步驟5.1：在GPU端分別計算圖像在水平方向和豎直方向上的一階導(dǎo)數(shù)；

步驟5.2：計算自相關(guān)矩陣M；

步驟5.3：計算每個像素點的Harris響應(yīng)值H，并且將計算結(jié)果回傳到CPU端；

步驟6：針對同樣的原始影響輸入，GPU運用DOG算子進行特征提取，回傳NMS方法的計算結(jié)果至CPU；

步驟7：在主機端，對于Harris特征提取，CPU用32*32像素的網(wǎng)格將圖像進行分割，在每個網(wǎng)格中提取出響應(yīng)值H最大的4個像素點作為特征點；對于DOG特征提取，CPU計算每個32*32網(wǎng)格中差分值D最大的4個點作為特征點。

2.根據(jù)權(quán)利要求1所述的一種基于序列影像Harris-DOG特征提取的多粒度并行優(yōu)化的方法，其特征在于，所述的步驟6包括以下子步驟：

步驟6.1：讀取GPU顯存中圖像數(shù)據(jù)；

步驟6.2：對所有尺度圖像進行高斯濾波，并將生成的圖像金字塔存儲在全局存儲器中，計算相鄰尺度的高斯差分D；

步驟6.3：采用非極大值抑制法(NMS)求取局部極值點，這里每個GPU線程處理一個像素點，先將該像素點與同一尺度下的8個鄰近像素比較差分值D，若是極大值或極小值，則再將該像素點與相鄰尺度的各9個像素點進行比較，最后得到三個尺度下的局部極值點，作為候選特征點，并且將計算結(jié)果回傳到CPU端。