近景视频测量及其硬件加速技术研究

• 作 者: 鲜龙
• 出 处: 西南科技大学
• 发表日期: 2020年08期
• 关键词: 视频测量 共面方程约束求解 罚函数 图像分割 图像标记点实时识别

视频测量(Video Measurement,VM)可从图像中测量和估计出目标的结构参数和运动参数,属于非接触测量方式,具有不损伤待测目标、不干扰实验环境和测量精度高等优点,获得了国内外学者和研究人员的青睐。如今视频测量已有两种发展趋势,分别为更高精度的视频测量和实时化的视频测量。随着科学的发展进步,对视频测量的应用也越来越广。本文围绕视频测量中的相对定向技术和图像标记点识别技术展开如下研究:1)针对传统相对定向的非线性共面方程优化求解时迭代解可能远离最优解,进而造成迭代过程发散的问题,提出了利用约束区间限制迭代域的共面方程优化求解方法。首先以迭代初值为起点,设计了以初值为中心的约束区间半径求解方法,并建立了区间约束的共面方程极小化模型。其次为了便于优化求解,构造了罚函数,将原有约束的极小化问题转化为无约束极小化问题。最后给出了相对定向共面方程的优化求解流程,优化求解时限制迭代过程在约束区间内完成,从而达到避免迭代发散的目的。2)针对视频测量中的图像标记点识别耗时较大,进而影响到视频测量的实时化的问题,提出了图像标记点识别的并行处理方法。首先设计了方向旋转的八步追踪法,解决了传统八步追踪法轮廓搜寻的重复检索问题,节约了标记点轮廓搜寻的时间。其次设计了图像标记点识别的区块化图像分割和并行处理方案,从而提升图像标记点的识别速度。最后设计了图像数据快速存储检索结构,以隐藏数据传输的耗时,提高了整体识别效率。3)建立了资源优化和时间预测模型。预测模型确立了标记点识别时间开销与图像分辨率、标记点大小、标记点数量、硬件资源等实验条件的关系,便于实验员在保证可实时处理的情况下对图像分辨率、图像标记点大小等实验环境进行更改。资源优化通过分析当前的资源情况,可确定实际最优的并行路数,从而达到最优的实时处理能力。4)设计并开发了CPU-GPU异构的实时视频测量系统,搭建了相应的硬件实验平台,并开发了用户交互软件。系统在CPU端完成图像监控、数据传输、待测量值计算和数据存储等功能,在GPU端完成图像标记点实时识别,并达到2GB/s的实时处理速度。