[发明专利]图像显著区域检测的嵌入式并行优化方法

说明书

技术领域

本发明属于嵌入式机器视觉系统中的图像显著区域检测领域，具体是指一种基于Cortex-A8的机器视觉系统，实时图像显著区域检测的优化加速方法。

背景技术

正确的提取图像中关键区域，可以大大提高图像处理的效率与准确度，因此显著区域检测一直是图像处理中的热门研究课题。显著区域检测技术被广泛应用于图像分割、压缩和基于内容的图像检索等领域。在区域检测技术中，Lowe和Bay等分别提出高效实现的SIFT和SURF算法，这些算法具有尺度和旋转的不变性，但不具有仿射不变性。Mikolajczyk提出了利用仿射不变性Harris算子进行局部拟合，通过迭代计算得到被检测区域的仿射变换参数，但该方法的计算效率不高。而J.Matas等人所提出的最大稳定极值区域(MSER)检测算法在抗光照变换、视角变换、JPEG压缩、尺度变换和模糊等多方面的性能上优于其它仿射不变区域检测算法。

随着图像检测算法复杂度的不断增加，嵌入式系统的实时性要求越发重要。为了能够高效的利用硬件资源，单指令多数据流(SIMD)技术应运而生。当今处理器引入SIMD技术的主要有Intel的MMX/SSE、AMD的3D Now！和ARM的NEON等。ARM公司在ARMv6架构中首次引入简单的SIMD指令集，使得运算速度提高2～4倍。Cortex-A8是一款基于ARMv7架构的典型嵌入式CPU，同时也采用了专门针对多媒体和信号处理的NEON协处理器。经NEON优化后的多媒体编解码单元，其整体性能可以提高4～8倍。

本发明在这些研究基础上，根据工业现场对嵌入式机器视觉系统的高实时性要求，提出了一种图像显著区域检测在嵌入式Cortex-A8平台上的优化方法，通过最大极值区域检测的并行结构优化和区域拟合来提高算法的运行效率。

发明内容

本发明目的在于提供一种针对嵌入式机器视觉系统的图像显著区域检测优化方法，通过最大极值区域检测的并行结构优化和区域拟合更好的适应工业现场高实时性的要求。

为达到此目的，本发明的技术方案如下：

(1)采用BinSort算法将灰度图像的像元按灰度值0～50、51～100、101～150、151～200、201～255五个等级分别进行快速排序。合并五个等级的排序产生一个按灰度值排序的256维的序列，最终产生按灰度值递增的有序序列R[0]，R[1]，…，R[PixelNumbers]，其中，每个单元记录了像元的灰度值和在图像中的坐标。

(2)使用UnionFind算法按照像元灰度值从小到大(或从大到小)的顺序依次链接每个像元，得到灰度递增的列表。在链接过程中形成众多区域节点，并且记录区域节点的面积、位置等信息，区域之间建立父子节点关系，当遍历全部灰度值的像元时，形成一具有众多分支的区域树。

(3)根据区域树建立过程中记录的区域节点信息进行极值区域变化率并行处理结构优化的计算，沿着区域树的各个分支逆向搜索计算每个节点的区域面积变化率，当某个节点面积变化率在邻域内取得极小值时，则该节点就是最大稳定极值区域。同时，检测过程中排除一些过大的区域或极可能不稳定的区域，并且对最大稳定极值区域的像元进行有序存储。

(4)为了便于对提取的不规则最大稳定极值区域进行归一化和提取特征描述，要对其进行椭圆拟合。根据记录的最大稳定极值区域的像元坐标信息对区域几何一阶矩与中心矩阵计算进行并行优化，加速计算出椭圆长短半轴、椭圆长轴方向角以及椭圆中心。

(5)对算法实现进行语言级的优化，通过内联函数使用减少数据入栈出栈次数，减少采用标准函数库的乘除法运算提升计算性能。

本发明优点如下：本发明图像显著区域检测的嵌入式并行优化方法，采用最大稳定极值区域方法提取图像中的显著区域特征，提高该技术在嵌入式机器视觉系统的实时性。基于NEON单元设计并行处理结构，优化了极值区域变化率的计算，加速了最大稳定极值区域的检测。基于NEON单元设计并行处理结构，优化了繁多的区域几何一阶矩与中心矩阵的计算，简化了椭圆长短半轴、长轴方向角以及中心坐标的计算，从而加速了特征区域椭圆的拟合。

附图说明

图1本发明图像显著区域检测整体流程图

图2本发明快速排序流程结构图

图3本发明区域树建立流程结构图

图4本发明极值区域变化率计算优化结构图

图5本发明区域几何一阶矩计算优化结构图

图6本发明区域中心矩阵主对角线元素计算优化结构图

图7本发明区域中心矩阵次对角线元素计算优化结构图

具体实施方式