基于CUDA的动态视觉测量像面特征点中心快速定位算法

数字相机分辨率的提升对视觉测量中精度的提高有很大的促进作用,但是高分辨率图像同时也会带来更大的数据量和计算量的问题。在CPU上应用传统的串行特征点中心定位算法耗时较大,无法满足动态测量的要求。针对此提出了CUDA架构下的并行像面特征点中心快速定位算法。经过分析发现,当大于10 000个点时串行特征点中心定位算法在图像预处理、区域约束判断和点中心计算消耗的时间在90%以上,因此主要对这三个最耗时的部分展开重点研究,分析每部分的并行性,然后实现基于CUDA的特征点中心定位并行算法。实验结果表明,在点中心定位精度没有损失的前提下,提取35 000个点坐标时在CUDA上比传统的串行实现的处理速度提高了11.5倍,并且随着特征点数量的增加加速比还有显著的提高。     

大尺寸动态视觉测量系统的并行加速

由于现有以大数据量和计算量为基础的大尺寸动态视觉测量系统处理速度较慢,本文建立了一个高速大尺寸动态视觉测量系统,并对该系统涉及的特征点中心定位、编码点识别、相机定向等算法进行了并行化研究。首先,分析了在不同测量条件下各个主要算法的时间消耗情况及每个主要算法的并行性;然后,对常规的特征点中心定位和编码点识别算法做了介绍,分别提出了特征点中心并行快速定位和编码点并行快速识别算法,并详细说明了这两种并行快速算法的实现原理。最后,针对大量原子操作的问题,提出了线程束集体原子操作的优化方法。实验结果表明:在不损失定位精度和识别率的前提下,图像中包含300个点时的并行方案比串行方案的时间开销减少了42%,当点数达到20 000时,时间开销减少91%以上。实验显示提出的并行设计方案有效地提高了处理速度,解决了大尺寸动态视觉测量系统实时性差的问题。