基于图形处理器的点云快速光顺

doi:10.3969/j.issn.1007130X.2011.

J4 ›› 2011, Vol. 33 ›› Issue (4): 86-92.doi: 10.3969/j.issn.1007130X.2011.

基于图形处理器的点云快速光顺

张连伟1，2，刘大学2，刘肖琳2，李焱2，徐昕2，贺汉根2

（1.第二炮兵装备研究院，北京 100085;2.国防科学技术大学机电工程与自动化学院，湖南长沙 410073）

收稿日期:2010-03-25 修回日期:2010-06-23 出版日期:2011-04-25 发布日期:2011-04-25
作者简介:张连伟(1978),男,山东胶南人，博士，研究方向为虚拟现实和图像处理。刘大学(1978),男,山东章丘人，博士，讲师，研究方向为模式识别和智能系统。刘肖琳(1963),女，江苏丹阳人，硕士，教授，研究方向为虚拟现实和图像处理。李焱(1973),男，吉林蛟河人，博士，副教授，研究方向为虚拟现实。徐昕(1974),男，湖北人，博士，教授，研究方向为增强学习。
基金资助:
高等学校博士学科点专项基金资助项目(200699998010)；国家863计划资助项目(2007AA0951)

Fast Smoothing of CloudPoints Using Graphics Processors

ZHANG Lianwei1,2,LIU Daxue2,LIU Xiaolin2,LI Yan2,XU Xin2,HE Hangen2

(1.The Second Artillery Equipment Academy,Beijing 100085;2.School of Mechatronics Engineering and Automation,National University of Defense Technology,Changsha 410073,China)

Received:2010-03-25 Revised:2010-06-23 Online:2011-04-25 Published:2011-04-25

摘要/Abstract

摘要：

点云数据光顺是点模型数字几何处理的一个重要研究内容。在海量数据规模应用中，不仅需要较高的光顺质量，而且需要有快速的处理速度。传统的基于CPU的光顺算法串行地处理每个采样点，导致巨大的时间开销。本文提出一种适应于图形处理器的点云快速光顺算法，将多个采样点处的协方差矩阵组织成一个大规模稀疏矩阵，以纹理图像的形式保存该稀疏矩阵，在像素程序中利用图形处理器强大的并行计算能力迭代求解协方差矩阵的最小特征值与特征向量，并据此计算光顺的速度和方向。实验在配有GeForce 8600GTS显卡的平台上进行。实验结果表明，基于GPU的点云光顺算法较之基于CPU的算法能够显著提高计算效率，从而为快速点云处理提供了良好的支持。

关键词: 图形处理器, 光顺, 通用计算, 邻域, 协方差矩阵

Abstract:

The smoothing of cloud points is an important topic in the field of digital geometry processing. Applications based on huge sampled points require fast processing speed and high quality smoothing quality. The traditional CPU based methods deal with every point in a serial manner which leads to great time consumption. a novel approach using graphics processing units(GPUs) is proposed for cloud points smoothing processors in this paper. Many covariance matrices are organized into a large scale spare matrix that is compressed in several textures. The least eigenvalues and corresponding eigenvectors of the matrices are calculated in pixel programs using GPU which has the powerful parallel processing capability. Then the smoothing speed and normal direction can be determined. Experiments are conducted in a PC with the GeForce 8600GTS graphic card. The results show that the efficiency of smoothing processing is improved greatly by using the GPUbased algorithm. Therefore, they well support the applications of the fast processing of cloud points.

Key words: graphics processing unit;smoothing;general computation;neighborhood;covariance matrix

张连伟1，2，刘大学2，刘肖琳2，李焱2，徐昕2，贺汉根2. 基于图形处理器的点云快速光顺[J]. J4, 2011, 33(4): 86-92.

ZHANG Lianwei1,2,LIU Daxue2,LIU Xiaolin2,LI Yan2,XU Xin2,HE Hangen2. Fast Smoothing of CloudPoints Using Graphics Processors[J]. J4, 2011, 33(4): 86-92.

[1]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(07): 1141-1150.
[2]	孙庆骁, 刘轶, 杨海龙, 王一晴, 贾婕, 栾钟治, 钱德沛. GNNSched：面向GPU的图神经网络推理任务调度框架[J]. 计算机工程与科学, 2024, 46(01): 1-11.
[3]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(01): 159-169.
[4]	吴超, 卫谦, 周俊伟, 李会民, 孙广中. 基于异构计算平台的背景噪声预处理并行算法[J]. 计算机工程与科学, 2023, 45(10): 1711-1719.
[5]	李安东, 刘升, 苟茹茹. 基于邻域搜索的改进反向学习平衡优化器算法[J]. 计算机工程与科学, 2023, 45(09): 1679-1690.
[6]	权威铭, 刘天一, 张雷. 带有协方差矩阵的卷积神经网络在人体运动识别中的应用[J]. 计算机工程与科学, 2022, 44(11): 2027-2036.
[7]	沈郭鑫, 蒋中云. 基于密度和中心指标的Canopy二分K-均值算法优化[J]. 计算机工程与科学, 2022, 44(02): 372-380.
[8]	曹文态, 杨德刚, 冯骥, . 基于扩展自然邻居的无参分类方法[J]. 计算机工程与科学, 2021, 43(09): 1692-1699.
[9]	姜春茂, 刘安鹏. 三支决策视角下的属性约简加速方法[J]. 计算机工程与科学, 2020, 42(12): 2280-2286.
[10]	陈虎, 韩建国. GPU上典型存储器难散列函数的优化[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1905-1912.
[11]	贾朝阳, 张敦博, 王琼, 沈立. 一种高效的压缩Page Walk Cache结构[J]. 计算机工程与科学, 2020, 42(09): 1521-1528.
[12]	魏伟一，王瑜，窦镭响，文雅宏. 基于邻域优化机制的图像显著性目标检测[J]. 计算机工程与科学, 2019, 41(08): 1459-1465.
[13]	程昳1,2，刘勇3. 基于邻域粒化的混合信息系统动态规则提取[J]. 计算机工程与科学, 2019, 41(07): 1236-1243.
[14]	常小刚1，赵红星2. 动态调节因子的邻域搜索人工蜂群算法[J]. 计算机工程与科学, 2019, 41(04): 673-681.
[15]	方程，邢座程，陈顼颢，张洋. 一种基于GPU的高性能稀疏卷积神经网络优化[J]. 计算机工程与科学, 2018, 40(12): 2103-2111.

基于图形处理器的点云快速光顺

Fast Smoothing of CloudPoints Using Graphics Processors

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价