[發明專利]基于GPU并行加速的基礎矩陣和單應矩陣估計方法和系統

有效

• 申請號: 201710478041.5
• 申請日: 2017-06-21
• 公開（公告）號: CN107301618B
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 陶文兵;李杰;孫琨;徐青山
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T1/20
• 分類號: G06T1/20;G06T15/00
• 代理公司: 42201 華中科技大學專利中心
• 代理人: 李智;曹葆青<國際申請>=<國際公布>=

1.一種基于GPU并行加速的基礎矩陣和單應矩陣估計方法，其特征在于，包括以下步驟：

(1)對多個圖像，提取每個圖像的特征點，基于特征點利用匹配算法得到每個圖像對的匹配列表，匹配列表包含圖像對之間特征點的匹配信息，定義圖像對的匹配列表中相互匹配的1對特征點為匹配對，根據每個圖像對匹配列表中匹配對數量構建索引，得到索引編號，以便于查找；

(2)從具有匹配關系的所有圖像對中選取M個圖像對進行并行計算，在選取的每個圖像對的匹配列表中采集C*N個匹配對，此時C表示計算一個基礎矩陣或單應矩陣需要的匹配對數量，N為矩陣原始算法中RANSAC的最大迭代次數，對于M個圖像對，利用GPU并行產生M*N組隨機采樣序列，每組隨機采樣序列包含C個隨機數，每個隨機數為相應圖像對中匹配對的索引編號；

(3)對于每組隨機采樣序列，基于步驟(2)中索引編號對應的匹配對得到候選基礎矩陣或候選單應矩陣和相應的內點數量，利用GPU并行得到M*N個候選基礎矩陣或M*N個候選單應矩陣和相應的M*N個內點數；

(4)在屬于同一個圖像對的N個候選基礎矩陣或N個候選單應矩陣中獲取內點數最大的矩陣為初始基礎矩陣或初始單應矩陣，則M*N個候選基礎矩陣中得到M個初始基礎矩陣，M*N個候選單應矩陣中得到M個初始單應矩陣，對M個初始基礎矩陣或M個初始單應矩陣進行優化得到最終的基礎矩陣或最終的單應矩陣。

2.如權利要求1所述的一種基于GPU并行加速的基礎矩陣和單應矩陣估計方法，其特征在于，所述步驟(3)的具體實現方式為：

對于每組隨機采樣序列，基于索引編號對應的匹配對利用歸一化八點法得到候選基礎矩陣，并計算候選基礎矩陣相應的內點數，利用GPU并行得到M*N個候選基礎矩陣和M*N個相應的內點數量；對于每組隨機采樣序列，基于索引編號對應的匹配對利用雙視圖幾何中平面的單應性得到候選單應矩陣，并通過計算匹配對的投影誤差得到候選單應矩陣相應的內點數量，利用GPU并行得到M*N個候選基礎矩陣和M*N個相應的內點數量。

3.如權利要求1所述的一種基于GPU并行加速的基礎矩陣和單應矩陣估計方法，其特征在于，所述步驟(4)的具體實現方式為：

在屬于同一個圖像對的N個候選基礎矩陣或N個候選單應矩陣中獲取內點數最大的矩陣為初始基礎矩陣或初始單應矩陣，則M*N個候選基礎矩陣中得到M個初始基礎矩陣，M*N個候選單應矩陣中得到M個初始單應矩陣，利用cminpack庫中的lmdif非線性最小二乘法對這M個初始基礎矩陣進行并行優化，得到圖像對最終的基礎矩陣，利用cminpack庫中的dgelsy線性最小二乘法優化多個圖像對的初始單應矩陣，得到優化單應矩陣；然后利用cminpack庫中的lmdif非線性最小二乘法對多個圖像對的優化單應矩陣進行并行優化，得到圖像對最終的單應矩陣。

4.一種基于GPU并行加速的基礎矩陣和單應矩陣估計系統，其特征在于，包括：

第一模塊，用于對多個圖像，提取每個圖像的特征點，基于特征點利用匹配算法得到每個圖像對的匹配列表，匹配列表包含圖像對之間特征點的匹配信息，定義圖像對的匹配列表中相互匹配的1對特征點為匹配對，根據每個圖像對匹配列表中匹配對數量構建索引，得到索引編號，以便于查找；

第二模塊，用于從具有匹配關系的所有圖像對中選取M個圖像對進行并行計算，在選取的每個圖像對的匹配列表中采集C*N個匹配對，此時C表示計算一個基礎矩陣或單應矩陣需要的匹配對數量，N為矩陣原始算法中RANSAC的最大迭代次數，對于M個圖像對，利用GPU并行產生M*N組隨機采樣序列，每組隨機采樣序列包含C個隨機數，每個隨機數為相應圖像對中匹配對的索引編號；

第三模塊，用于對于每組隨機采樣序列，基于第二模塊中索引編號對應的匹配對得到候選基礎矩陣或候選單應矩陣和相應的內點數量，利用GPU并行得到M*N個候選基礎矩陣或M*N個候選單應矩陣和相應的M*N個內點數；

第四模塊，用于在屬于同一個圖像對的N個候選基礎矩陣或N個候選單應矩陣中獲取內點數最大的矩陣為初始基礎矩陣或初始單應矩陣，則M*N個候選基礎矩陣中得到M個初始基礎矩陣，M*N個候選單應矩陣中得到M個初始單應矩陣，對M個初始基礎矩陣或M個初始單應矩陣進行優化得到最終的基礎矩陣或最終的單應矩陣。