基于OpenCV的GPU并行加速图像匹配算法研究

发布时间：2017-06-29 15:07

  本文关键词：基于OpenCV的GPU并行加速图像匹配算法研究，由笔耕文化传播整理发布。

【摘要】：因为自身特有的高精度、抗干扰和自主导航等强大特性,惯性/图像匹配辅助导航系统成为了目前研究的一大热门方向。图像匹配辅助导航技术能够为惯性导航系统提供位置修正数据信息,其精确性和实时性是图像匹配算法非常关键的因素。本文就图像匹配辅助导航系统里的核心所在——图像匹配算法进行了较为深入的攻关与研究。鉴于ORB算法缺少对尺度不变性的良好支持,本文借鉴了尺度空间和高斯图像金字塔的概念,将多尺度空间引入到ORB算法中,提出并实现了改进的ORB算法。实验表明,本文提出的算法除了继承了ORB算法速度极快的优点以外,也能在平移不变性、旋转不变性、尺度不变性、仿射变换不变性等各方面上有能和SIFT媲美的性能。为了进一步提高ORB特征点的匹配精度,本文提出了基于哈希表的双向预筛选策略,在使用RANSAC算法提纯之前,先进行一个初步的筛选,筛选出一个高质量的样本集合,再利用RANSAC算法对此高质量的样本进行优化提纯,以达到非常高的匹配精准度和运算效率。本文将GPU与CUDA并行运算引入到图像匹配辅助导航系统中,让常用的图像匹配算法运行速度有了超过20倍运算速度的提高,满足了图像匹配导航系统实时性的需求。最终,本文总结并实现了一套基于Open CV、CUDA并行运算与改进ORB算法的图像匹配算法。并进行了综合性地计算仿真实验论证。实验结论表明,这套算法拥有极高的效率,可以将图像匹配时间控制在毫秒级,可以满足图像匹配导航系统中精确性、实时性和鲁棒性的要求。
【关键词】：图像匹配 导航 图形处理器 计算统一设备架构 OpenCV ORB 随机抽样一致
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• abstract5-12
• 注释表12-13
• 缩略词13-14
• 第一章 绪论14-22
• 1.1 本文的研究背景与意义14-15
• 1.2 图像匹配辅助导航系统的使用与研究现状15-17
• 1.2.1 国外图像匹配辅助导航系统的使用的研究现状15-16
• 1.2.2 国内图像匹配辅助导航系统的使用的研究现状16-17
• 1.3 OpenCV国内外使用和研究现状17-19
• 1.3.1 OpenCV概述17-18
• 1.3.2 OpenCV的国内外研究与使用现状18-19
• 1.4 GPU并行运算技术的国内外研究现状19-20
• 1.4.1 并行计算技术的发展与现状19-20
• 1.5 本文的研究内容20-22
• 第二章 ORB图像特征提取与匹配算法研究22-40
• 2.1 引言22
• 2.2 ORB算法的原理简述22-25
• 2.2.1 oFAST：带方向的FAST特征检测22-24
• 2.2.2 rBRIEF：带旋转的BRIEF特征描述24-25
• 2.3 改进ORB算法的实现描述25-30
• 2.3.1 图像的尺度空间与高斯金字塔25-27
• 2.3.2 改进的ORB算法27-30
• 2.4 基于Hamming距离的ORB特征点匹配30-31
• 2.5 实验与分析31-39
• 2.5.1 实验环境31-32
• 2.5.2 实验过程与结果分析32-39
• 2.6 本章小结39-40
• 第三章 使用改进的RANSAC算法优化图像匹配结果40-48
• 3.1 引言40
• 3.2 对极几何与基础矩阵40-41
• 3.3 RANSAC算法的研究现状41-44
• 3.3.1 RANSAC算法原理41-42
• 3.3.2 基础矩阵求解的一般方法42-43
• 3.3.3 用八点法拟合基础矩阵43-44
• 3.4 用改进的RANSAC算法拟合基础矩阵44-46
• 3.4.1 哈希表与哈希查找44
• 3.4.2 用RANSAC算法估计基础矩阵的步骤44-45
• 3.4.3 基于预筛选的改进RANSAC算法描述45-46
• 3.5 实验结果与分析46-47
• 3.6 本章小结47-48
• 第四章 基于仿射变换的导航参数求解48-55
• 4.1 引言48
• 4.2 图像的二维变换分析48
• 4.3 仿射变换的概述与分类48-49
• 4.3.1 旋转变换48-49
• 4.3.2 缩放变换49
• 4.3.3 平移变换49
• 4.4 仿射变换的导航参数推导49-50
• 4.5 基于图像匹配结果解算出仿射变换矩阵50-51
• 4.6 算法的仿真实现51-53
• 4.7 实验结果与分析53-54
• 4.8 本章小结54-55
• 第五章 基于CUDA的图像匹配导航技术的研究55-75
• 5.1 引言55
• 5.2 基于GPU高性能运算技术概述55-57
• 5.3 CUDA的体系架构57-59
• 5.3.1 CUDA编程模型57-58
• 5.3.2 CUDA执行模型58-59
• 5.4 OpenCV与CUDA混合编程开发平台搭建59-60
• 5.5 基于CUDA并行运算的改进ORB算法实现架构概述60-62
• 5.6 基于CUDA并行运算的改进ORB算法实现描述62-67
• 5.6.1 第一步：基于高斯金字塔构建尺度空间62-63
• 5.6.2 第二步：检测尺度空间的极值63-64
• 5.6.3 第三步：剔除不稳定的特征点64-65
• 5.6.4 第四步：关键点方向的确定65-66
• 5.6.5 第五步：计算关键点的特征描述66-67
• 5.6.6 第六步：基于Hamming距离的ORB特征点匹配67
• 5.7 实验过程与分析67-74
• 5.7.1 试验环境68
• 5.7.2 实验：GPU加速的量化评估分析68-70
• 5.7.3 实验：五种不同的匹配方法的匹配耗时对比实验70-72
• 5.7.4 实验：基于GPU加速与ORB图像匹配的导航技术72-74
• 5.8 本章小结74-75
• 第六章 总结与展望75-76
• 参考文献76-79
• 致谢79-80
• 在学期间的研究成果及发表的学术论文80

  本文关键词：基于OpenCV的GPU并行加速图像匹配算法研究，，由笔耕文化传播整理发布。

本文编号：498299