论文部分内容阅读
目前,相对于传统的文本数据来说,图像和视频已经逐渐成为因特网上传输和处理的主要数据类型。然而许多针对图像和视频的应用(如搜索引擎和网络信息过滤系统)由于图像检索算法的限制而无法满足因特网发展的需求。目前的图像检索算法主要基于全局特征和局部特征两种。基于全局特征的检索算法利用颜色、纹理、形状或空间关系等特征来描述图像或视频中的一帧,但这些算法只用一个特征向量进行描述,所以速度快但精度不高,无法很好地满足图像和视频检索的需求。基于局部特征的检索算法用数百甚至上千个特征来描述一幅图像或视频的一帧,因此具有很高的精度。但由于基于局部特征的图像特征提取算法计算比较复杂,运行速度较慢,限制了它的应用。因此,加速基于局部特征的图像特征提取算法是关注的重点。最近几年,随着半导体技术的发展和多核技术的普及,各种并行硬件逐渐成为应用处理的主流。随着图像处理单元GPU通用性和可编程性的增强,它也成为了其中不可或缺的一个组成部分。现代GPU不仅仅是一个单纯的图像处理引擎,更是一个高度并行的可编程处理器。相比于CPU来说,它有着更为强大的算术处理能力和更高的存储器带宽,这使得它在实时处理领域和高性能计算领域得到了广泛的应用。本文在GPU上设计和实现了SIFT和SURF的并行加速算法,在我们的实现中充分利用了GPU的特性来加速我们的实现,包括使用共享内存和纹理存储的使用,尽量减少显存的分配和释放次数等等。GPU通常与CPU协同工作,传统的优化策略主要关注GPU上实现的效率,而忽略了CPU对系统性能的影响。本文在设计时考虑合理分配和利用CPU的资源,进一步提高了系统整体性能。本文使用640*480像素大小的图片测试结果表明,相对于CPU上的串行版本而言,SIFT的实现达到了143.7倍的加速,吞吐量达到93.39帧/秒,而SURF的实现达到了253.2倍的加速,吞吐量达到346.82帧/秒,很好地满足了图像特征提取的实时处理的需求。考虑到SIFT与SURF处理速度的差距,我们建议在图像匹配的实时处理系统中使用SURF算法来进行图像特征的提取。