[发明专利]一种基于并行计算的图像特征提取方法

说明书

本发明提出一种基于并行计算的图像特征提取方法，属于视觉图像处理技术领域。该方法基于FAST‑BRIEF算法。首先获取RGB图片并转为灰度图，然后采用并行加速机制对图片进行FAST特征点的提取，BRIEF描述子的计算等操作，最终得到特征点信息。本方法利用并行加速的方法加快了FAST‑BRIEF算法的实现，相比CPU上的串行执行机制，算法的运行速度有较大的提升。

技术领域

本发明涉及视觉图像处理领域，具体涉及一种基于并行计算的图像特征提取方法。

背景技术

无人机和无人车等无人平台的广泛应用减轻了人们的劳动负担，降低了工作的危险性，可以让人类完成很多以前无法完成的任务。而无人平台的定位和路径规划需要用到同步定位与建图(SLAM)技术。该技术是指无人平台搭载特定的传感器主体在没有环境先验信息的情况下于运动过程中建立环境的模型，同时估计自己的运动；也就是在未知的环境中使无人机或无人车等移动平台一方面能够明白自身的状态(即位置)，另一方面也要了解外在的环境(即地图)。SLAM技术相当于是无人系统的眼睛，为无人系统的自主导航提供了基础。SLAM技术让很多应用成为了现实，比如扫地机器人能够在陌生的环境中执行扫地任务，自动驾驶汽车逐渐走入人们的视野，虚拟现实应用也逐渐进入人们的生活。

视觉SLAM方法主要包括三个线程：位姿跟踪，后端优化，以及回环检测。其中位姿跟踪主要依赖于图像特征提取。图像特征提取的计算量很大，需要多次重复相同的计算，因此图像特征提取是整个视觉SLAM方法中最耗时的部分。提高图像特征提取的速度是提高整个视觉SLAM方法性能的关键。

在现有的视觉SLAM的方法中，Oriented FAST and Rotated BRIEF(ORB)有方向性的加速段测试特征和旋转快速二进制描述子生成算法是性能和质量的一个折中，ORB特征提取的基础是Features From Accelerated Segment Test(FAST)加速段测试特征和Binary Robust Independent Elementary Features(BRIEF)快速二进制描述子生成算法描述子的计算，对FAST特征点和BRIEF描述子的并行加速是提高ORB算法运行速度的关键。对FAST特征点和BRIEF描述子的并行加速是提高ORB算法运行速度的关键。在FAST-BRIEF的计算过程中，需要储存很多中间数据，例如，2013年韩国首尔西京大学的HoonHeo等人提出的基于可编程逻辑门阵列(FPGA)的FAST-BRIEF结构，采用非数据流的方法，缺点是需要采用外部储存来进行帧缓存，这会消耗大量的储存资源；2012年韩国高等技术研究院，Jun-Seok Park等人提出的基于字符匹配的FAST结构，采用非数据流的方法，缺点是也需要采用外部的储存空间来做帧储存，另外还需要一个用于顺序输入一维文本形式的匹配数据的机制。

所以在保证ORB算法有效性的同时，降低储存空间的消耗，也是使得ORB算法能够应用于嵌入式系统的关键。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种基于并行计算的图像特征提取方法。本发明利用FPGA上并行加速的方法，来加速FAST特征点提取算法和BRIEF描述子的计算，以此为基础来加速特征提取算法。本方法采用数据流的方法，能够降低储存的消耗，该方法能够应用到嵌入式平台上，加速ORB算法。

本发明一种基于并行计算的图像特征提取方法，其特征在于，包括以下步骤：

1)从第一随机存取储存器RAM中读取一张RGB图片数据到可编程逻辑门阵列FPGA；

2)把步骤1)读取的RGB图片转为对应的灰度图，RGB图片中每个像素点的转变方式如下：

S＝0.299*R+0.587*B+0.114*G

其中R、G、B分别为RGB图片的该像素点的R、G、B值，S是该像素点转变后的灰度值；