[发明专利]一种基于GPU的多尺度空间特征提取方法

摘要

本发明公开了一种基于GPU的多尺度空间特征提取方法，包括以下步骤利用多尺寸并行非线性滤波构造尺度空间、在尺度空间中并行的进行关键点检测和描述符生成。其中尺度空间构造包括多尺寸数据打包、多尺寸并行降采样、多尺寸并行非线性滤波的具体执行步骤。为了提高算法的并行度、降低数据依赖性，通过并行降采样提前得到各个尺寸下的初始图像，使得各个尺寸下的非线性滤波、关键点检测和描述符生成可以在GPU中并行的执行。本发明通过利用多尺寸数据打包、多尺寸并行降采样、多尺寸并行非线性滤波的方法，构造尺度空间，进行特征提取，可以有效的利用GPU中众核资源，实现特征提取方法的实时性。

主权项

一种基于GPU的多尺度空间特征提取方法，其特征在于，包括以下步骤：(1)根据输入图像的宽度W和高度H，计算特征提取尺度空间需要降采样的次数num；一次降采样对应一个尺寸，包含原始尺寸，共有num+1个不同尺寸；(2)根据输入图像和尺寸数num+1，利用多尺寸数据打包、多尺寸并行降采样、多尺寸并行非线性滤波的方法，并行的构造不同尺寸下的尺度空间；(3)在(2)构造的不同尺寸下的尺度空间中检测关键点，生成关键点的描述符；所述步骤(2)包括以下子步骤：(2.1)多尺寸数据打包：根据输入图像的宽度W和高度H、降采样次数num、CUDA编程的特点，将num+1个不同尺寸的图像打包成联合图像，并在GPU中分配联合图像存储空间，对于S层尺度空间，就有S个联合图像；(2.2)多尺寸并行降采样：利用初始输入图像信息，对输入图像并行的进行num次降采样，得到尺度空间中的第一个联合图像，即第一层图像；(2.3)根据步骤(2.2)构造的第一个联合图像，利用前一层联合图像，循环的进行S‑1次非线性滤波，得到尺度空间中所有的联合图像，即所有S层图像；所述步骤(2.3)包括以下子步骤：(2.3.1)利用尺度空间前一层，即第i个联合图像，并行计算联合梯度图像G；(2.3.2)根据联合梯度图像G的第一个尺寸的图像，计算得到非线性滤波系数k，根据非线性传导系数k和联合梯度图像，计算得到联合图像的非线性滤波矩阵C；(2.3.3)根据联合图像的非线性滤波矩阵C，对第i个联合图像进行非线性滤波，得到第i+1个联合图像，即当前层；i＝i+1，循环构造下一层。