面向互联网应用的图像LBP算法GPU并行加速

J4 ›› 2013, Vol. 35 ›› Issue (11): 153-159.

面向互联网应用的图像LBP算法GPU并行加速

王香荣1，高飞1，李钦1，刘轶1，张阔2

（1.北京航空航天大学中德联合软件研究所，北京 100191；2.北京搜狗科技发展有限公司，北京 100084）

收稿日期:2013-08-06 修回日期:2013-10-19 出版日期:2013-11-25 发布日期:2013-11-25
基金资助:
国家863计划资助项目（2011AA01A205）

GPU-based acceleration of local
binary pattern algorithm for Internet applications

WANG Xiang-rong1，GAO Fei1，LI Qin1，LIU Yi1，ZHANG Kuo2

（1.Sino-German Joint Software Institute,Beihang University,Beijing 100191;
2.Beijing Sogou Technology Development Co., Ltd.,Beijing 100084,China）

Received:2013-08-06 Revised:2013-10-19 Online:2013-11-25 Published:2013-11-25

摘要/Abstract

摘要：

很多互联网应用需要进行海量的图片处理。LBP算法是一种图像纹理特征提取算法，广泛用于图像检索等领域，但该算法较为复杂，在处理互联网环境中的海量图片时面临着性能挑战。解决该问题的办法之一就是采用GPU对LBP算法进行并行加速，特别是针对海量图片处理设计加速方案，使GPU同时进行多幅图像LBP特征的并行提取，并采用异步传输方式使多幅图像数据的复制与Kernel函数的执行并行化。通过对GPU单幅和多幅图像并行处理的实验测试，并将实验数据与CPU程序性能进行对比分析，结果表明: 对不同分辨率多幅图像并行处理的加速比可达58倍。

关键词: GPU, 局部二值模式, 异步传输, 互联网

Abstract:

Many Internet applications need to process massive images. As a typical image texture feature extraction algorithm, Local Binary Pattern (LBP) is widely used in image retrieval and other fields. This algorithm is relatively complex, so it faces the performance challenges on processing massive images on the Internet. One solution to this problem is using the Graphics Processing Unit (GPU) to support parallelization of extracting Local Binary Pattern texture feature, especially an accelerating scheme for the processing of massive images. The GPU can compute the LBP feature of multiple images in parallel. And asynchronous transmission is used to perform the data replication and kernel function of multiple images in parallel. The parallel processing of single image and multiple images using the GPU are tested, and the performance of the program on the GPU is compared with the one on the CPU. It is shown that the parallel processing for different resolution multiple images can achieve 58 times speedup.

Key words: GPU;local binary pattern;asynchronous transmission;Internet

王香荣1，高飞1，李钦1，刘轶1，张阔2. 面向互联网应用的图像LBP算法GPU并行加速[J]. J4, 2013, 35(11): 153-159.

WANG Xiang-rong1，GAO Fei1，LI Qin1，LIU Yi1，ZHANG Kuo2. GPU-based acceleration of local
binary pattern algorithm for Internet applications [J]. J4, 2013, 35(11): 153-159.

[1]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[2]	毛润泽, 吴子恒, 徐嘉阳, 章严, 陈帜, . DeepFlame：基于深度学习和高性能计算的反应流模拟开源平台[J]. 计算机工程与科学, 2024, 46(11): 1901-1907.
[3]	王宇华, 何俊飞, 张宇琪, 徐悦竹, 崔环宇. DRM:基于迭代归并策略的GPU并行SpMV存储格式[J]. 计算机工程与科学, 2024, 46(03): 381-394.
[4]	李众, 丁伟, 莫松源. 面向公共递归DNS服务系统的测量与分析[J]. 计算机工程与科学, 2023, 45(06): 1003-1010.
[5]	张勇, 张曦, 万云博, 何先耀, 赵钟, 卢宇彤. 非结构有限体积CFD计算的网格重排序优化[J]. 计算机工程与科学, 2022, 44(10): 1721-1729.
[6]	朱浩, 周博洋, 卢雪山, 杜溢墨. OpenCL计算软件栈评估[J]. 计算机工程与科学, 2021, 43(12): 2105-2114.
[7]	罗磊, 陈照云, 王俪璇. 用户QoS感知的GPU集群深度学习任务动态调度[J]. 计算机工程与科学, 2021, 43(08): 1331-1340.
[8]	龚昊, 刘莹, 冯建周, 赵仁良, 冷佳旭, . 基于GPU加速的脉冲多普勒雷达信号处理[J]. 计算机工程与科学, 2021, 43(07): 1141-1149.
[9]	孙兆鹏, 周宽久. 基于PCIe的高性能FPGA-GPU-CPU异构编程架构[J]. 计算机工程与科学, 2021, 43(04): 641-651.
[10]	魏金晖, 李晨, 鲁建壮. 多GPU系统虚实地址转换架构研究[J]. 计算机工程与科学, 2021, 43(02): 228-234.
[11]	张亮, 常旭, 秦志楷, 沈立. 量子线路模拟器QuEST在多GPU平台上的性能优化[J]. 计算机工程与科学, 2021, 43(01): 17-23.
[12]	隋东方, 唐勇, 刘宇靖, 王恩泽. 互联网大规模前缀劫持事件检测与分析的案例研究[J]. 计算机工程与科学, 2020, 42(07): 1184-1190.
[13]	李荣春，周鑫，潘衡岳，牛新，高蕾，窦勇. 基于GPU的并行Turbo乘积码译码器[J]. 计算机工程与科学, 2020, 42(05): 761-769.
[14]	彭晏飞，王恺欣，梅金业，桑雨,訾玲玲. 基于循环生成对抗网络的图像风格迁移[J]. 计算机工程与科学, 2020, 42(04): 699-706.
[15]	徐频捷1,2，王诲喆1,2，李策3，唐丹1，赵地1. 基于脉冲神经网络与移动GPU计算的图像分类算法研究与实现[J]. 计算机工程与科学, 2020, 42(03): 397-403.