基于CUDA的动态视觉测量像面特征点中心快速定位算法

J4 ›› 2014, Vol. 36 ›› Issue (12): 2378-2385.

基于CUDA的动态视觉测量像面特征点中心快速定位算法

许晓臣1，董明利1，王君1，孙鹏1,2，燕必希1

(1.北京信息科技大学光电测试技术北京市重点实验室,北京 100192；
2.北京邮电大学信息光子学与光通讯研究院,北京 100876)

收稿日期:2014-05-04 修回日期:2014-06-27 出版日期:2014-12-25 发布日期:2014-12-25
基金资助:
国家自然科学基金资助项目（51175047）；北京市属高等学校创新团队建设计划(IDHT20130518)；精密测试技术及仪器国家重点实验室开放基金资助项目；北京市优秀人才培养资助项目（2012D005007000007）

A fast target center location algorithm for
dynamic vision measurement based on CUDA

XU Xiaochen1,DONG Mingli1,WANG Jun1,SUN Peng1,2,YAN Bixi1

（1.Beijing Key Laboratory of Optoelectronic Test Technology，
Beijing Information Science ＆ Technology University，Beijing 100192;
2．Institute of Information Photonics and Optical Communications，
Beijing University of Posts and Telecommunications，Beijing 100876，China）

Received:2014-05-04 Revised:2014-06-27 Online:2014-12-25 Published:2014-12-25

摘要/Abstract

摘要：

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。

关键词: 特征点中心定位, 高分辨率, CUDA, 动态视觉测量

Abstract:

CCD resolution plays a great role in vision measurement precision, but the high resolution will greatly increase the amount of data and computation. Because of that, the traditional serial target center location algorithm running on the CPU cannot meet the requirement of dynamic measurement. In view of this, a fast target center location algorithm for dynamic vision measurement based on CUDA is proposed. When the number of targets is beyond 10 000, more than 90% of time is consumed on image preprocessing, region constraint and target center calculation in the serial target center location algorithm. The three most timeconsuming parts are focused on and each part is analyzed and implemented based on CUDA. The experimental results show that, compared with the serial algorithm running on the CPU, the processing speed of 35 000 target centers based on CUDA is improved by 11.5 times with the same location precision, and the acceleration ratio is improved significantly along with the increase of targets number.

Key words: target center location;high resolution;CUDA;dynamic vision measurement

许晓臣1，董明利1，王君1，孙鹏1,2，燕必希1. 基于CUDA的动态视觉测量像面特征点中心快速定位算法[J]. J4, 2014, 36(12): 2378-2385.

XU Xiaochen1,DONG Mingli1,WANG Jun1,SUN Peng1,2,YAN Bixi1. A fast target center location algorithm for
dynamic vision measurement based on CUDA [J]. J4, 2014, 36(12): 2378-2385.

参考文献［16］

［1］	Thomas L. Close range photogrammetry for industrial applications［J］. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(6):558569.
［2］	GSI. VSTARS S8 and PROSPOT demonstration measurement report［Z］.2005:610.
［3］	Wu Changchang,Agarwal S,Curless B,et al.Multicore bundle adjustment［EB/OL］.［20110903］.http:∥grail.cs.washington.edu/projects/mcba.2011.
［4］	Tsiakmakis K, Laopoulos T H. Improving processing time for visual measurements of displacements of IPMC actuators using CUDA［C］∥Proc of Imaging Systems and Techniques(IST),2010:176181.
［5］	Anjin P,Jinwook K. GPU accelerated view synthesis from multiple RGBD images［C］∥Proc of Image Processing(ICIP),2012:573576.
［6］	Liu Jianwei, Liang Jin, Liang Xinhe, et al. Industrial vision measuring system for large dimension workpieces［J］. Optics and Precision Engineering, 2010,18(1):126134.(in Chinese)
［7］	Chen Nian, Li Jin, Wang Haihui. Research and implementation of measurement system based on binocular stereo vision ［J］.Journal of Wuhan Institute of Technology,2011,33(5):101105.(in Chinese)
［8］	Sun Xueqi, Dong Mingli, Wang Jun, et al. Matching algorithm of binocular dynamic vision measurement ［J］.Journal of Beijing Information Science & Technology University，2013,28(2):5560.(in Chinese)
［9］	Li Leigang, Liang Jin, Tang Zhengzong, et al. Optical and dynamic measuring system for movement data of aircraft structural parts ［J］. Optics and Precision Engineering,2012,20(9):19301938.(in Chinese)
［10］	Zhang Shujun,Wang Cong,Shao Xuqiang, et al. DreamWorld:CUDAaccelerated realtime 3D modeling system［C］∥Proc of Virtual Environments, HumanComputer Interfaces and Measurements Systems,2009:168173.
［11］	Li Jianjiang, Zhang Lei,Li Xinggang, et al. Parallel greylevel image matching algorithm with CUDA ［J］. Journal of University of Electronic Science and Technology of China,2012,41(1):110113.(in Chinese)
［12］	Lian Yuanfeng,Zhao Yan, He Huiguang, et al. Parallel algorithm for cortical reconstruction based on GPU ［J］. Chinese Journal of Scientific Instrument,2013,34(4):866872.(in Chinese)
［13］	Zhuang Wei, Dong Ming li, Sun Peng, et al. A variable weighted centroid method for retro reflective target locating［C］∥Proc of the 6th International Symposium on Precision Mechanical Measurements,2013:1.
［14］	Shortis M R, Clarke T A, Short T.A comparison of some techniques for the subpixel location of distance target images［C］∥Proc of the SPIE, 1994:239250.
［15］	Dong Mingli, Xu Liang,Wang Jun, et al. Variableweighted grayscale centroiding and accuracy evaluating［J］.Advances in Mechanical Engineering,2013:Article ID 42860819.
［16］	Su Tonghua, Li Dong, Li Songze, et al. CUDA Programming:A developer’s guide to parallel computing with GPUs［M］.Beijing:China Machine Press,2014.(in Chinese)
	附中文参考文献:
［6］	刘建伟,梁晋,梁新合,等.大尺寸工业视觉测量系统［J］.光学精密工程,2010,18(1):126134.
［7］	陈念,李进,王海晖.双目立体视觉测量系统的研究与实现［J］.武汉工程大学学报,2011,33(5):101105.
［8］	孙雪琪,董明利,王君,等.双目动态视觉测量的匹配［J］.北京信息科技大学学报,2013,28(2):5560.
［9］	李磊刚,梁晋,唐正宗,等.飞机结构件运动数据的动态视觉测量系统［J］.光学精密工程,2012,20(9):19301938.
［11］	李建江,张磊,李兴钢,等.CUDA架构下的灰度图像匹配并行算法［J］.电子科技大学学报,2012,41(1):110113.
［12］	连远锋,赵琰,何晖光,等.基于GPU加速的并行脑皮层重建算法研究［J］.仪器仪表学报,2013,34(4):866872.
［16］	苏统华,李东,李松泽,等.CUDA并行程序设计：GPU编程指南［M］.北京:机械工业出版社,2014.

[1]	苏丽，孙彦猛，张博为，杨先博，朱颖. 一种基于Hadoop+CUDA实现相关器的方法[J]. J4, 20160101, 38(01): 46-51.
[2]	陈强, 谭林, 王云丽, 肖靖. 工业区块链中基于CUDA的数据并行处理方法[J]. 计算机工程与科学, 2022, 44(12): 2102-2110.
[3]	姜尚志, 唐生林, 高希然, 花嵘, 陈莉, 刘颖. “神威·太湖之光”上Tend_lin应用的并行优化研究[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1842-1851.
[4]	左宪禹1,2，张哲1,5，黄祥志4,5，葛强1,2，张理涛3，臧文乾4,5. 一种适用于GPU图像处理算法的合并存储结构[J]. 计算机工程与科学, 2020, 42(02): 197-202.
[5]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[6]	楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3. 高分辨率遥感影像的多特征多核ELM分类方法[J]. 计算机工程与科学, 2019, 41(10): 1816-1822.
[7]	段兴锋1,2,任鸿翔1,神和龙1. 基于CUDA的弱可压SPH流体建模与仿真[J]. 计算机工程与科学, 2018, 40(08): 1375-1382.
[8]	刘金1，2，吴志健1，2，吴双可2，王晖3，邓长寿4. GPU上的维度并行随机吸引策略萤火虫算法[J]. 计算机工程与科学, 2016, 38(10): 1961-1966.
[9]	阳王东1,2 ,李肯立2. 基于HYB格式稀疏矩阵与向量乘在CPU+GPU异构系统中的实现与优化[J]. J4, 2016, 38(02): 202-209.
[10]	任成磊1,蒲鹏2,韩定定1. 栅元有效共振积分的CUDA算法设计与实现[J]. J4, 2016, 38(02): 224-230.
[11]	苏丽，孙彦猛，张博为，杨先博，朱颖. 一种基于Hadoop+CUDA实现相关器的方法[J]. J4, 2016, 38(01): 46-51.
[12]	赵瑞斌1,赵生慧1,胡新礼2. CPU-GPU协同计算的遥感仿真图像MTF退化并行算法[J]. J4, 2015, 37(07): 1258-1264.
[13]	何涛1,2,朱岱寅1. 大点数一维FFT的GPU设计实现[J]. J4, 2013, 35(11): 34-41.
[14]	文敏华1,林新华1,2,Simon Chong Wee See 1,3. 基于NVIDIA Kepler的PIC方法并行[J]. J4, 2013, 35(11): 100-104.
[15]	张云洲，袁家斌，吕相文. 面向多任务的GPU通用计算虚拟化技术研究[J]. J4, 2013, 35(11): 119-125.