基于GPU的雙目立體匹配技術(shù)研究.pdf

1、隨著GPU(Graphic Processing Unit)硬件的發(fā)展,特別是其構(gòu)架的改變,GPU已經(jīng)不再是固定流水線的圖形處理器,而是類似單指令多數(shù)據(jù)(SIMD,Single Instruction Multiple Data)結(jié)構(gòu)的并行可編程流處理器,從而近幾年興起了基于GPU的通用計(jì)算的研究熱潮,并在許多領(lǐng)域中得到了應(yīng)用。
　　 本文將GPU應(yīng)用到雙目立體圖像匹配技術(shù)研究中,大幅度提高了算法執(zhí)行的效率。立體匹配算法根據(jù)得到

2、的視差圖分布情況分為稀疏型和稠密型,稠密型的方法對(duì)于以生成物體表面點(diǎn)云數(shù)據(jù)為目標(biāo)的三維重建而言更為理想,但是同時(shí)計(jì)算量也更大。另一方面,為了實(shí)現(xiàn)穩(wěn)健的圖像匹配,盡可能減少誤匹配,越來越多的研究采用基于能量最小模型的全局優(yōu)化方法,而這類全局能量優(yōu)化方法本質(zhì)上往往是NP難問題,計(jì)算規(guī)模是問題規(guī)模的幾何倍數(shù),因此也存在算法的時(shí)間效率低,無法滿足快速三維重建的問題。針對(duì)這一問題,本文以自主知識(shí)產(chǎn)權(quán)的雙目立體三維點(diǎn)云實(shí)時(shí)重建系統(tǒng)研發(fā)為背景,圍繞基

3、于圖割的立體圖像稠密像點(diǎn)匹配算法的加速技術(shù)進(jìn)行了深入研究,著重采用了兩個(gè)提高速度的方法:一是通過快速圖像校正方法,減少匹配點(diǎn)搜索范圍；二是應(yīng)用GPU實(shí)現(xiàn)算法的并行化。主要工作如下:
　　 1)研究了GPU的硬件構(gòu)架Tesla,分析了GPU作為一種近似SIMD的并行流處理器的工作原理。在此基礎(chǔ)上,研究了NVIDIA公司開發(fā)的CUDA編程工具,重點(diǎn)分析了其線程模型和存儲(chǔ)器模型,并對(duì)于CUDA程序如何有效使用GPU資源從而提高算法速度

4、進(jìn)行了深入的研究。
　　 2)研究了基于攝像機(jī)標(biāo)定結(jié)果的圖像校正原理,分析了校正前后圖像的遮擋關(guān)系,并結(jié)合本文采用的雙目立體匹配測量系統(tǒng)ReCreator,對(duì)已有的圖像校正算法提出了改進(jìn)。同時(shí)提出了基于GPU的圖像校正實(shí)現(xiàn)方案,針對(duì)圖像校正過程中最為耗時(shí)的圖像插值過程利用CUDA編程工具實(shí)現(xiàn)了多種插值算法,結(jié)合理論分析和實(shí)驗(yàn)結(jié)果對(duì)比討論了四種插值效果。實(shí)驗(yàn)對(duì)比了各算法采用GPU和普通CPU的運(yùn)行時(shí)間,表明本文基于GPU的插值算法

5、有很好的算法效率優(yōu)勢。
　　 3)研究了能量最小化模型和圖論中的最大流/最小割理論,在圖像校正的基礎(chǔ)上,建立了雙目立體匹配的能量模型和網(wǎng)絡(luò)圖模型。對(duì)比分析了α-βswap和αexpansion兩種圖割算法,指出αexpansion算法更適合用于GPU實(shí)現(xiàn)。同時(shí)對(duì)兩類最大流/最小割算法--壓入-重標(biāo)記算法和增廣路徑算法進(jìn)行了分析研究,通過比較得出了壓入重標(biāo)記算法并行化的可行性和必要性。最終利用GPU實(shí)現(xiàn)了基于圖割的雙目立體匹配,用