[发明专利]一种基于CUDA技术的视觉SLAM前端加速方法

说明书

一种基于CUDA技术的视觉SLAM前端加速方法涉及自主导航领域。本发明通过编写CUDA核函数将SLAM前端算法中对图像的处理过程转移到GPU端并行加速运行，达到加快视觉SLAM前端运行速度的效果，最终达到在嵌入式设备上实时运行地图构建的功能，支持移动机器人的更高层次应用。其主要对特征检测过程进行加速。加速过程需要GPU参与计算，使用CUDA技术实现运算并行化。特征检测过程包含：图像高斯金字塔构建模块、特征点提取模块、特征点方向计算模块、特征点描述子计算模块。

技术领域

本发明涉及自主导航领域，即时定位和地图构建技术，尤其涉及基于CUDA技术的视觉SLAM加速方法。

背景技术

近年来，同步定位与地图构建技术(SLAM，Simultaneous Localization andMapping)被认为是机器人定位和导航的关键技术，近年来得到了广泛的应用。具体来说，此技术让移动机器人通过视觉里程计等运动传感器估计自身的运动轨迹，同时利用激光雷达、摄像头等感知传感器获取环境信息，将两个数据进行融合就可以实现环境地图的构建和机器人的定位。

从长远来看，环境地图的应用场景应以移动设备为主，嵌入式部署需求较多。现有SLAM算法计算量较大，对设备性能要求较高，而嵌入式平台由于性能较差难以处理这类计算任务，导致现有视觉SLAM算法难以在嵌入式设备实时运行。且目前国内外对SLAM技术嵌入式部署的探索尚处于起步阶段，缺乏广泛及深层次的研究。故如何加快视觉SLAM技术的运行速度，以满足智能机器人更高层次的应用需求，是一个值得研究的方向。

发明内容

本发明的主要目的是设计并实现基于GPU的视觉SLAM前端加速方法，通过编写CUDA核函数将SLAM前端算法中对图像的处理过程转移到GPU端并行加速运行，达到加快视觉SLAM前端运行速度的效果，最终达到在嵌入式设备上实时运行地图构建的功能，支持移动机器人的更高层次应用。其系统结构图如图1所示。

采用以下技术方案实现以上发明目的：

本发明包括一种基于CUDA技术的视觉SLAM前端加速方法，其主要对特征检测过程进行加速。加速过程需要GPU参与计算，使用CUDA技术实现运算并行化。特征检测过程包含：图像高斯金字塔构建模块、特征点提取模块、特征点方向计算模块、特征点描述子计算模块；

图像高斯金字塔构建模块用于将输入图像降采样至不同的大小，以匹配不同尺寸下的相同图像特征；特征点提取模块用于得到图像中的角点，根据像素点和邻域点的关系判断当前点是否为特征点；特征点方向计算模块用于计算特征点的梯度方向和大小，以便在图像视角发生变化时顺利匹配；特征点描述子计算模块用于为每一个特征点建立二进制描述子，为下一步特征点匹配做准备。

图像高斯金字塔构建模块具体包括以下步骤：

首先初始化Device设备，申请设备端数据空间以存放图像金字塔。然后扩展检测区域边界，由于特征点检测需要参考其周围区域像素信息导致边界点无法提取特征，故此处使用OpenCV中CUDA模块改写的cuda::copyMakeBorder替换原方法中copyMakeBorder的默认实现，并将变量对齐到申请的空间，调用OpenCV中CUDA实现版缩放函数cuda::resize将输入图像缩放到金字塔对应大小，此过程使用双线性插值算法实现，并利用cuda stream流将此过程并行化。

特征点提取模块具体包括以下步骤：

首先遍历每层金字塔，将当前层金字塔图像及边界信息传入给检测函数处理。根据图像大小申请对应的Grid和Block，这里Block设置为32*8代表一个待检测区域，Grid可根据图像大小和Block大小划分为对应的网格。每个线程对应一个像素，因而可以并行地检测FAST特征点。调用特征检测核函数，根据Thread及Block索引求出邻域点，判断当前点是否为特征点。如果某像素点满足FAST特征点的条件，则将像素的坐标存入全局存储器。同时，将特征点的数量进行累加并存储在全局存储器中。