基于GPU的圖像特征提取加速算法.pdf

1、目前，相對于傳統(tǒng)的文本數(shù)據(jù)來說，圖像和視頻已經(jīng)逐漸成為因特網(wǎng)上傳輸和處理的主要數(shù)據(jù)類型。然而許多針對圖像和視頻的應(yīng)用（如搜索引擎和網(wǎng)絡(luò)信息過濾系統(tǒng)）由于圖像檢索算法的限制而無法滿足因特網(wǎng)發(fā)展的需求。目前的圖像檢索算法主要基于全局特征和局部特征兩種?；谌痔卣鞯臋z索算法利用顏色、紋理、形狀或空間關(guān)系等特征來描述圖像或視頻中的一幀，但這些算法只用一個特征向量進(jìn)行描述，所以速度快但精度不高，無法很好地滿足圖像和視頻檢索的需求?；诰植刻卣鞯?/p>

2、檢索算法用數(shù)百甚至上千個特征來描述一幅圖像或視頻的一幀，因此具有很高的精度。但由于基于局部特征的圖像特征提取算法計算比較復(fù)雜，運(yùn)行速度較慢，限制了它的應(yīng)用。因此，加速基于局部特征的圖像特征提取算法是關(guān)注的重點(diǎn)。
　　最近幾年，隨著半導(dǎo)體技術(shù)的發(fā)展和多核技術(shù)的普及，各種并行硬件逐漸成為應(yīng)用處理的主流。隨著圖像處理單元GPU通用性和可編程性的增強(qiáng)，它也成為了其中不可或缺的一個組成部分?，F(xiàn)代GPU不僅僅是一個單純的圖像處理引擎，更是一個

3、高度并行的可編程處理器。相比于CPU來說，它有著更為強(qiáng)大的算術(shù)處理能力和更高的存儲器帶寬，這使得它在實(shí)時處理領(lǐng)域和高性能計算領(lǐng)域得到了廣泛的應(yīng)用。
　　本文在GPU上設(shè)計和實(shí)現(xiàn)了SIFT和SURF的并行加速算法，在我們的實(shí)現(xiàn)中充分利用了GPU的特性來加速我們的實(shí)現(xiàn)，包括使用共享內(nèi)存和紋理存儲的使用，盡量減少顯存的分配和釋放次數(shù)等等。GPU通常與CPU協(xié)同工作，傳統(tǒng)的優(yōu)化策略主要關(guān)注GPU上實(shí)現(xiàn)的效率，而忽略了CPU對系統(tǒng)性能的影響

4、。本文在設(shè)計時考慮合理分配和利用CPU的資源，進(jìn)一步提高了系統(tǒng)整體性能。本文使用640*480像素大小的圖片測試結(jié)果表明，相對于CPU上的串行版本而言，SIFT的實(shí)現(xiàn)達(dá)到了143.7倍的加速，吞吐量達(dá)到93.39幀/秒，而SURF的實(shí)現(xiàn)達(dá)到了253.2倍的加速，吞吐量達(dá)到346.82幀/秒，很好地滿足了圖像特征提取的實(shí)時處理的需求?？紤]到SIFT與SURF處理速度的差距，我們建議在圖像匹配的實(shí)時處理系統(tǒng)中使用SURF算法來進(jìn)行圖像特征的