一种基于GPU的并行算法功耗评估方法

随着软件和硬件的不断发展,图形处理器(GPUs)已经广泛用于通用计算领域,并作为加速器来协助CPU加速程序的运行。为了追求高性能,GPU往往包含成百上千个核心运算单元,高密度的计算资源使其在性能远高于CPU的同时功耗也高于CPU,因此功耗问题已经成为制约GPU发展的重要问题之一。分析了并行程序在GPU上运行时消耗的功耗,提出了并行算法在GPU上运行的功耗评估方法,接着通过并行前缀求和算法对该方法进行了详细的论述与分析。在实验部分通过稀疏矩阵向量乘算法的实际应用对该方法的正确性以及敏感性进行了证明与分析。结果表明,对于给定的程序,在满足性能要求的前提下,最优线程块数、存储访问方式以及任务分配顺序是影响系统功耗的关键因素。     

最大匹配问题的粘贴DNA算法

最大匹配问题(MMP)是图论中经典的组合优化问题。针对此问题提出了基于DNA粘贴计算模型的求解算法,阐述了该算法如何利用DNA链构建最大匹配问题的初始编码,说明了应用粘贴计算模型寻求最终解的生物操作过程,同时分析了此DNA并行算法的计算复杂度,最后给出了该算法的计算机模拟仿真结果和应用实例,得到了所给问题的最大匹配解,并对算法的可行性进行了验证和总结。     

基于特征模糊贴近的数据库约束挖掘算法

传统的关联规则算法,只考虑了类内的关联性,忽略了类间的相似性特征、高开销的分类过程、耗时的关联过程。提出了数据内间特征模糊贴近分类的数据库约束挖掘算法,其通过数据模糊集间的贴近度描述数据间的一致度,在传统的神经网络挖掘技术中,引入数据融合技术,对类间数据进行分类处理后,对原始挖掘数据的动态特征进行分析获取新的挖掘模型,以在大规模数据库中准确查询目标数据。仿真实验结果表明,算法挖掘稀疏数据集和密集数据集的效率都优于传统的关联规则算法,极大提高了数据库的挖掘效率。     

基于多层次验证的指纹细节点对获取算法

获取正确的细节点对是指纹匹配中一个关键的问题。已有工作基于已获得的初始细节点对,通过构建局部拓扑结构进行单层次验证以期获得更正确的细节点对,但该工作对于由错误细节点对而产生的负面影响,鲁棒性较弱。为此提出了一种基于多层次验证的指纹细节点对获取算法,其主要改进为:将单层次验证划分为一级、二级验证两个层次;增加了补充验证过程。实验结果表明:改进方案增强了鲁棒性,提高了对细节点对去伪存真的正确率,时间复杂度约为前者的2倍。     

基于GPU的特征点提取与匹配算法比较

判断一种算法的GPU实现是否和CPU实现一样可靠、算法的GPU实现是否能够被安全地使用,是GPU实现能否进一步推广的关键问题.文中以SIFT和KD树搜索这2个被广泛使用的算法为例,对其GPU实现和CPU实现进行了系统的实验分析和比较测试.此外,针对高分辨率图像,给出了基于GPU的SIFT算法和KD树搜索算法的设计与实现.实验结果表明,基于GPU的实现和CPU的实现能提取出95％左右的相似特征点;2种算法实现的特征点重复率和匹配率相当,但GPU实现可获得高达13X(特征提取)和43X(特征匹配)的加速比,因此基于GPU的实现在具体应用中完全可以被安全地使用.     

一种抗图像模糊的快速景象匹配算法

针对各种原因引起的实测图退化情形,将模糊不变矩引入景象匹配中。为了解决匹配过程中计算量大的问题,从简化匹配特征的计算及优化搜索策略两方面采取措施。在模糊不变矩计算方面,通过预先建立21个和表矩阵,提出了一种适用于匹配过程的矩特征高效求解算法;在搜索策略方面,考虑到模糊不变矩特征对图像分辨率的敏感性,提出在原分辨率基准图上采用遗传算法进行搜索匹配。实验结果表明,在实测图出现模糊及受噪声干扰情况下,所提匹配算法在保证匹配精度的同时,其匹配耗时比传统方法少好几个数量级,能够满足导航系统对实时性的要求。     

一种基于流特征模式的股市跟踪预测算法

由于股市波动的突发性、多变性,且时序数据呈非正态分布,传统的时序预测模型难以有效预测股市。提出了一种基于流特征模式的股市跟踪预测算法(SFM-PG),该算法根据股票之间的相关性构建贝叶斯网络,选取目标股票的马尔科夫毯作为其同辈群体,然后基于同辈群体之间的接近度,给出一种窗口跟踪式预测模型,其通过对同辈群体权重的动态更新进行跟踪式预测,以减少股票数据分布非正态性对预测的影响;进而,使用滑动窗口提取时序数据中的特征并形成流特征,通过与模式知识库的匹配提取流特征模式,并利用与流特征模式对应的知识调整预测结果,以减少由于突变所引入的预测误差。最后,在上证股票板块网络上的实验结果显示了算法的实用性和有效性。     

SIFT特征匹配算法研究

提取灰度图像的SIFT特征并将其应用于图像检索是目前国内外研究的热点。用距离函数对图像的特征向量进行相似性度量,从而实现SIFT特征向量的匹配。通过实验很好地证明当图像本身的变化（例如大小或者旋转）对于图像的匹配的几乎没有影响。     

基于ASP的CSP进程描述与组合研究

前期工作中,为解决CSP模型检测不支持一次运行验证多条性质的问题,构建了基于ASP的CSP模型检测框架,但其存在着可描述并发进程形态不完善与可验证并发系统规模受限的问题。构建了全新的并发系统ASP描述体系,其解决了前期工作中前缀描述不允许出现类环状结构的问题,可完整描述各种形态的CSP进程。研究了并发组合进程生成技术,它可使多个进程自动化并发组合,并生成一个满足所有行为特性、具有一致结构特性的新进程,保持了验证框架内进程描述的一致性,有利于并发进程的抽象与验证。实验表明了基于ASP的CSP进程描述与组合进程生成技术的有效性,以及基于该ASP描述体系的系统性质验证的可行性。     

基于前景提取的复杂背景图像检索算法

基于内容的图像检索提供给使用者一种更直观、更精准的检索方式。用户在进行此类检索时,往往更关注图像的主体部分。为了消除背景信息对检索效果的影响,提出一种基于前景提取的复杂背景图像检索算法。实验证明,在H-S颜色直方图、LBP纹理特征以及颜色纹理混合特征上,该算法可以得到较优化的性能。     

移动智能终端的SIFT特征检测并行算法

特征的检测和匹配在计算机视觉应用中是一个重要的组成部分,如图像匹配、物体识别和视频跟踪等。SIFT算法以其尺度不变性和旋转不变性在图像配准领域得到了广泛应用。传统的SIFT算法效率低,因此提出一种在移动智能终端上实现的高效方法。在Android平台利用OpenCL框架实现了移动智能终端的SIFT算法,通过计算任务的重新分配,优化SIFT算法在移动GPU上的并行实现。实验结果表明,移动平台的SIFT算法充分利用了GPU并行计算能力,大大提高了SIFT算法的执行效率,实现了高效的特征检测。     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

一种改进的SIFT特征匹配算法

针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题,提出一种基于图像Radon变换的改进SIFT特征匹配算法。改进算法在图像的SIFT特征点采样区域内作d条不同方向的直线,以d条直线上的图像Radon变换作为SIFT特征向量描述符,降低SIFT特征向量的维数,从而提高特征匹配效率。实验结果表明,改进算法具有较高的匹配精度和较少的匹配时间,适用于虚拟场景漫游或目标识别等实时性要求较高的系统。     

基于场强和凸壳的SIFT特征点匹配算法

传统尺度不变特征变换(SIFT)匹配算法的匹配结果易受参数影响。为此,提出一种于场强和凸壳的SIFT特征点匹配算法。在原始SIFT匹配方法基础上,结合特征点群的凸壳,引入引力场强概念刻画特征点群之间的空间特征关系,以进行图像点模式匹配,在匹配中充分利用特征点的几何空间信息。实验结果表明,该算法具有较高的匹配正确率,能找到更多的特征匹配点。     

基于改进SIFT算法的山谷地形影像匹配

针对山谷地形的低空影像中地貌单一且特征不易提取的问题,本文对SIFT算法改进,融合Harris特征提取算法优势,得到一种可用于山谷地形下低空无人机影像特征提取与匹配的算法。算法首先利用Harris算法和SIFT算法分别提取特征点,对两种算法提取的特征点进行合并,然后运用SIFT算法对合并后的特征点进行描述,再利用特征点特征向量的欧氏距离进行粗匹配,最后利用RANSAC算法进行精匹配来提高匹配精度。为了验证该算法的有效性,选用一组山地影像数据进行实验并与SIFT算法进行比较,结果表明:算法有效地提升了山谷地形影像上特征点匹配精度。     

基于SIFT特征匹配的视频稳像算法研究

为了解决运动情况下的视频图像去抖问题,本文提出了一种新型的去抖算法。首先利用SIFT算法提取出特征点,并利用RANSAC算法进行优化处理,进行图像的全局运动估计和全局运运补偿,实现视频图像的去抖功能。本文实现了以该方法为基本算法的原型系统,能够有效地增加视频图像的平滑度。     

基于快速SIFT特征提取的模板匹配算法

针对尺度不变特征变换(SIFT)算法计算量大的问题,提出一种基于快速SIFT特征提取的模板匹配算法。采用递推方法加速计算每个种子向量,利用向量排序来保持算法对旋转的不变性,并通过一种适用于该描述符的快速搜索匹配方法,提高算法的实时性。实验结果表明,该算法能提高匹配速度,并且能在旋转、缩放的情况下有效地识别目标。     

基于视觉约束能量最小化的特征点匹配算法

为了解决海上目标航空遥感图像重复特征较多导致的匹配不一致问题,并简化匹配过程,文中提出了基于SIFT视觉约束能量最小化的匹配算法(CEM-SIFT)。该算法将约束能量最小化模型应用于特征点的匹配,通过构造有限脉冲响应线性滤波器,采用视觉信息计算其能量值,使得待匹配的点集经过滤波之后的平均输出能量在一定约束下达到最小值,最终实现含重复信息的特征精确匹配。采用10组航空遥感海冰图像对算法进行测试,结果表明,相对于采用SIFT欧氏距离(ED-SIFT),在匹配重复特征比较多、点集规模比较大的图像时,CEM-SIFT算法的匹配精度更高,能够达到100%。     

基于显著图的SIFT特征检测与匹配

基于尺度不变特征变换(SIFT)特征的图像匹配存在特征点数量大、运算时间长等问题。为此,引入视觉注意机制,提出一种基于显著图的SIFT特征检测与匹配方法。比较常用的显著图计算模型,选择谱残差方法提取图片的显著图。对显著图进行二值化和形态学等处理,得到规则合理的显著区域。在显著区域内提取SIFT特征,生成特征向量,进行图像匹配。实验结果表明,该方法能提高运算效率,并且得到的SIFT特征更加稳定。     

一种基于分块匹配的SIFT算法

SIFT算法在图像处理领域具有独特的优势,但是经过不断发展,SIFT算法在特征匹配过程中仍然具有数据处理量大、计算速度慢的问题.基于这些问题,提出了一种基于分块匹配的新型SIFT匹配算法,它通过剔除非重叠区域来降低特征提取和匹配的时间损耗.对于图像的刚性变换,算法的核心在于图像块的切分和重叠区域的计算,首先选取少量的种子点来估算两幅图像的相关变换矩阵;然后将原始图像切分为几块,通过变换矩阵找出在匹配图中的相关块;再检测所有的匹配块上的特征点;最后结合RANSAC算法去除伪匹配点对,来提高匹配的准确率.实验结果表明:与标准SIFT算法相比,基于分块匹配的SIFT算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值.