一種基于gpu的多尺度空間特征提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像特征提取和顯卡通用計算技術(shù)領(lǐng)域，更具體地，涉及一種基于GPU的多尺度空間特征提取方法。
【背景技術(shù)】
[0002]在計算機(jī)視覺應(yīng)用中，基于圖像的特征提取算法往往是計算機(jī)視覺應(yīng)用能否取得成功的前提和關(guān)鍵?；诟咚咕矸e的線性濾波或非線性擴(kuò)散方程的非線性濾波等構(gòu)造的多尺度空間特征提取算法，由于其在一定的尺寸、旋轉(zhuǎn)、模糊等變化下的魯棒性，受到了廣泛的關(guān)注和應(yīng)用。
[0003]然而由于多尺度空間的構(gòu)造具有較高的時間復(fù)雜度，為了能夠?qū)⑻卣魈崛∷惴☉?yīng)用到實時應(yīng)用中去，不少研宄者提出了很多方法，在不降低算法魯棒性的條件下，基于圖形處理器(Graphic Processing Unit，GPU)的方法是較為成功的。基于GPU的多尺度空間特征提取算法主要采用的是統(tǒng)一計算設(shè)備架構(gòu)(compute unified device architecture,CUDA)，它是由英偉達(dá)公司提出的通用計算平臺，將復(fù)雜的GPU指令包裝成淺顯易懂的運行時指令，極大地降低了編寫顯卡設(shè)備代碼的難度。CUDA采用的是一種類似于單指令流多數(shù)據(jù)流(single-1nstruct1n mult1-data, SIMD)的執(zhí)行模型，比較適合于并行計算。
[0004]利用GPU的眾核優(yōu)勢并行處理圖像中的多個像素點，可以極大地提升執(zhí)行效率。這一類算法主要將特征提取中的各個步驟利用GPU并行的方式來進(jìn)行處理，降低算法所需要的時間。但是現(xiàn)有算法只是停留在原始算法的基礎(chǔ)上，在單一尺度下利用GPU并行處理，從而降低時間JtGPU的性能還不能充分地利用。取得了一定的加速比，但是仍然難以滿足實時要求。

【發(fā)明內(nèi)容】

[0005]針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于GPU的多尺度空間特征提取方法，其目的在于根據(jù)CUDA執(zhí)行模型以及多尺度空間特征提取算法的基本原理，利用多尺寸數(shù)據(jù)打包、多尺寸并行降采樣、多尺寸并行非線性濾波等方法，降低不同尺寸下尺度空間的依賴性，提高尺度空間構(gòu)造的并行度，使之可以更有效地利用GPU的眾核優(yōu)勢。
[0006]為實現(xiàn)上述目的，本發(fā)明提供了一種基于GPU的多尺度空間特征提取方法，這里多尺度指的是多種尺寸下的多種濾波程度，包括以下步驟:
[0007](I)根據(jù)輸入圖像的寬度W和高度H，計算特征提取尺度空間需要降采樣的次數(shù)num ;—次降采樣對應(yīng)一個尺寸，包含原始尺寸，共有num+1個不同尺寸；
[0008](2)根據(jù)輸入圖像和尺寸數(shù)num+1，利用多尺寸數(shù)據(jù)打包、多尺寸并行降采樣、多尺寸并行非線性濾波的方法，并行的構(gòu)造不同尺寸下的尺度空間；
[0009](3)在(2)構(gòu)造的不同尺寸下的尺度空間中檢測關(guān)鍵點，生成關(guān)鍵點的描述符。
[0010]優(yōu)選地，步驟⑵包括以下子步驟:
[0011](2.1)多尺寸數(shù)據(jù)打包:根據(jù)輸入圖像的寬度W和高度H、降采樣次數(shù)num、CUDA編程的特點，將num+1個不同尺寸的圖像打包成聯(lián)合圖像，并在GPU中分配聯(lián)合圖像存儲空間，對于S層尺度空間，就有S個聯(lián)合圖像；
[0012](2.2)多尺寸并行降采樣:利用初始輸入圖像信息，對輸入圖像并行的進(jìn)行num次降采樣，得到尺度空間中的第一個聯(lián)合圖像，即第一層圖像；
[0013](2.3)根據(jù)步驟(2.2)構(gòu)造的第一個聯(lián)合圖像，利用前一層聯(lián)合圖像，循環(huán)的進(jìn)行S-1次非線性濾波，得到尺度空間中所有的聯(lián)合圖像，即所有S層圖像。
[0014]優(yōu)選地，步驟(2.1)包括以下子步驟:
[0015](2.1.1)根據(jù)輸入圖像的寬度W和高度H、降采樣次數(shù)num，計算得到每次降采樣后圖像的寬度w和高度h ;
[0016](2.1.2)根據(jù)CUDA編程特征，將每一個尺寸下的圖像的寬度w填充，使得填充后的寬度P?為Warp Size的整數(shù)倍；
[0017](2.1.3)將所有尺寸下的圖像打包成聯(lián)合圖像，在GPU中分配聯(lián)合圖像的存儲空間；對于S層尺度空間就有S個聯(lián)合圖像。
[0018]優(yōu)選地，步驟(2.2)包括以下子步驟:
[0019](2.2.1)利用GPU內(nèi)存復(fù)制函數(shù)將輸入圖像復(fù)制到第一個聯(lián)合圖像空間的第I個尺寸所對應(yīng)的圖像空間中；
[0020](2.2.2)對第一個聯(lián)合圖像空間剩下的num個不同尺寸的圖像，利用降采樣方法對第I個尺寸的圖像逐步進(jìn)行并行降采樣，得到第一個聯(lián)合圖像。
[0021]優(yōu)選地，步驟(2.2.2)包括以下子步驟:
[0022](2.2.2.1)根據(jù)輸入圖像的寬度W和高度H，計算當(dāng)前尺寸i = 2下圖像的寬度w和高度 h，以及填充寬度 pw ;具體的 w = W? (1-1)，h = H? (1-1)，pw = (w+31)/32*32，其中 >> 是右移運算；
[0023](2.2.2.2)判斷當(dāng)前線程id是否在當(dāng)前尺寸圖像內(nèi)(id〈h*pw)，如果是進(jìn)入步驟(2.2.2.3)，如果不是進(jìn)入步驟(2.2.2.5)；
[0024](2.2.2.3)當(dāng)前線程屬于當(dāng)前尺寸i圖像內(nèi)，計算線程對應(yīng)像素點的坐標(biāo)x和y以及對應(yīng)的第I個尺寸圖像中降采樣區(qū)域像素點的坐標(biāo)s_x和s_y ;具體的X = id% pw，y =id/pw，s_x = x? (1-1)，s_y = y? (1-1)，其中 ％是取余，? 是左移運算；
[0025](2.2.2.4)讀取第I個尺寸的降采樣區(qū)域像素點(s_y，s_x)的值，利用降采樣方法，得到當(dāng)前線程對應(yīng)的像素點的值，當(dāng)前線程任務(wù)結(jié)束；
[0026](2.2.2.5)當(dāng)前線程不屬于當(dāng)前尺寸i圖像內(nèi)，線程數(shù)id = id_pw*w，i = i+Ι，回到步驟(2.2.2.1);直到i = num+1，完成第一個聯(lián)合圖像的生成。
[0027]優(yōu)選地，步驟(2.3)包括以下子步驟:
[0028](2.3.1)利用尺度空間前一層，即第i個聯(lián)合圖像，并行計算聯(lián)合梯度圖像G ;
[0029](2.3.2)根據(jù)聯(lián)合梯度圖像G的第一個尺寸的圖像，計算得到非線性濾波系數(shù)k，根據(jù)非線性傳導(dǎo)系數(shù)k和聯(lián)合梯度圖像，計算得到聯(lián)合圖像的非線性濾波矩陣C ;
[0030](2.3.3)根據(jù)聯(lián)合圖像的非線性濾波矩陣C，對第i個聯(lián)合圖像進(jìn)行非線性濾波，得到第i+Ι個聯(lián)合圖像，即當(dāng)前層；i = i+1，循環(huán)構(gòu)造下一層。
[0031]總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果:
[0032](I)計算并行度高:采用本方法，可以使得不同尺寸下的圖像可以并行的處理，提高算法的并行度；
[0033](2)滿足實時要求:利用數(shù)據(jù)打包的方式，將不同尺寸下的圖像并行的進(jìn)行計算，降低算法的時間，可以滿足實時性；
[0034](3)具有一定的魯棒性:利用降采樣和非線性濾波的方式構(gòu)造的尺度空間，在一定的尺寸、旋轉(zhuǎn)、模糊等變換下，具有不變性。
【附圖說明】
[0035]圖1是本方法的整體流程圖；
[0036]圖2是本發(fā)明方法中步驟(2)的細(xì)化流程圖；
[0037]圖3是本發(fā)明多個尺寸圖像的打包成聯(lián)合圖像示意圖；
[0038]圖4是本發(fā)明方法中步驟(2.2.2)的細(xì)化流程圖；
[0039]圖5是本發(fā)明方法中步驟(2.3)的細(xì)化流程圖。
【具體實施方式】
[0040]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0041]本發(fā)明的整體思路在于，根據(jù)CUDA執(zhí)行模型以及多尺度空間特征提取算法的基本原理，通過多尺寸數(shù)據(jù)打包、多尺寸并行降采樣、多尺寸并行非線性濾波等方法，提高算法的并行度，使之可以更有效地利用GPU的眾核優(yōu)勢。
[0042]如圖1所示，本發(fā)明一種基于GPU的多尺度空間特征提取方法包括以下步驟:
[0043](I)根據(jù)輸入圖像的寬度W和高度H，計算特征提取尺度空間需要降采樣的次數(shù)num ;—次降采樣對應(yīng)一個尺寸，包含原始尺寸，共有num+1個不同尺寸；具體的num =min(l, log(min(ff, H))/log(2)-6)，其中 log 是求對數(shù)，min 是求最小值；
[0044](2)根據(jù)輸入圖像和尺寸數(shù)num+1，利用多尺寸數(shù)據(jù)打包、多尺寸并行降采樣、多尺寸并行非線性濾波的方法，并行的構(gòu)造不同尺寸下的尺度空間；如圖2所示，本步驟包含如下子步驟:
[0045](2.1)多尺寸數(shù)據(jù)打包:根據(jù)輸入圖像的寬度W和高度H、降采樣次數(shù)num、CUDA