[发明专利]基于GPU的图像特征提取算法的加速方法

权利要求书

1.一种基于GPU的图像特征提取算法的加速方法，其特征在于：

首先在GPU上细粒度地实现图像特征提取的并行算法，所谓细粒度是指在局部特征提取算法的每一个阶段分别以最小的粒度，即按每个特征点，来开发数据并行；使用CUDA编程模型，将这种细粒度的数据并行映射到GPU上计算；所述的局部特征检索算法采用检索算法SURF；

所述的局部特征检索算法检测出图像特征并对这些特征加以描述，它分为三阶段：图像初始化、特征检测和特征描述；特征检测与特征描述两个部分放在GPU上计算；

所述图像初始化，分为载入图像、计算灰度图像、计算积分图像三步；

所述特征检测，是利用积分图像检测出图像的特征点；其中，首先计算每个点的特征值；此阶段映射到GPU上时，每个点的特征值计算相对独立，每个采样像素点为一个GPU线程；具体使用o个内核循环计算来避免GPU上的分支计算，o为SURF算法中图像层数；当每个点的特征值计算完毕之后，即进入特征点定位阶段；该阶段在每8个相邻点中选取特征值最大的点作为可选的特征点；每8个点为一个GPU线程进行计算；

所述特征描述，使用特定的数据结构对找到的特征点加以描述，以方便以后对图像的处理；其中，首先对每个特征点周围的109个像素点做哈尔小波变换，该阶段每个周围的像素点为一个GPU线程；接着，该109个周围点对特征点的42个特征方向区域进行投票，票数最多的那个方向为该特征点的方向，该阶段每个特征区域为一个GPU线程；最后，每个特征点生成一个64维特征向量，该向量的计算由特征点周围4*4的区域中计算出来，因此，每个特征点又分为16个GPU线程来计算。

2.根据权利要求1所述的基于GPU的图像特征提取算法的加速方法，其特征在于：利用GPU内存即GPU纹理存储器在处理2维数据时的特点来提高算法性能，并尽可能地减少算法对内存的反复分配与释放；具体是对于SURF算法中涉及的二维数组，用CUDA中cudaBindTexture2D方法绑定到GPU纹理存储器上；

同时，SURF算法中在存储原图像、积分图像、特征值、以及其他变量时，都在每张图像处理开始和结尾进行内存分配和释放；在批量处理图片时，在程序初始阶段就分配好固定的内存，从而减少多余的内存分配与释放。

3.根据权利要求2所述的基于GPU的图像特征提取算法的加速方法，其特征在于：使CPU和GPU以异步流水线的方式协同工作；

所谓流水线的方式是指将整个算法分成两个部分，CPU处理第一部分的计算，GPU处理第二部分的计算，数据以流的方式在CPU与GPU间传输，以实现两个硬件并行工作；其中，CPU专门做初始化数据的计算，并把数据传入GPU内存，而GPU则从内存中读出积分图像等数据，并进行特征检测与特征描述计算；

同时，由于GPU支持DMA异步传输的特点，和流水线相结合，进一步将数据传输部分的时间也重叠起来，即形成CPU计算、数据传输、以及GPU计算三个阶段的流水线。

4.根据权利要求3所述的基于GPU的图像特征提取算法的加速方法，其特征在于：还利用CPU的剩余资源，让CPU多余的核也独立完成部分算法的处理。