文档介绍:万方数据
第七章实验评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯评估环境⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯正确性评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯性能评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯实现的性能评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯实现的性能评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..隚的流水线并行评估⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...檬S嗪说钠拦馈芄瓜碌牟馐越峁实验总结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第八章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.:;.
万方数据
摘要的实时处理系统中使用算法来进行图像特征的提取。目前,相对于传统的文本数据来说,图像和视频已经逐渐成为因特网上传输和处理的主要数据类型。然而许多针对图像和视频的应用缢阉饕婧屯缧息过滤系统捎谕枷窦焖魉惴ǖ南拗贫薹阋蛱赝⒄沟男枨蟆D壳暗耐像检索算法主要基于全局特征和局部特征两种。基于全局特征的检索算法利用颜色、纹理、形状或空间关系等特征来描述图像或视频中的一帧,但这些算法只用一个特征向量进行描述,所以速度快但精度不高,无法很好地满足图像和视频检索的需求。基于局部特征的检索算法用数百甚至上千个特征来描述一幅图像或视频的一帧,因此具有很高的精度。但由于基于局部特征的图像特征提取算法计算比较复杂,运行速度较慢,限制了它的应用。因此,加速基于局部特征的图像特征提取算法是关注的重点。最近几年,随着半导体技术的发展和多核技术的普及,各种并行硬件逐渐成为应用处理的主流。随着图像处理单元ㄓ眯院涂杀喑绦缘脑銮浚渤为了其中不可或缺的一个组成部分。现代唤鼋鍪且桓龅ゴ康耐枷翊硪擎,更是一个高度并行的可编程处理器。相比于此担凶鸥G看蟮算术处理能力和更高的存储器带宽,这使得它在实时处理领域和高性能计算领域得到了广泛的应用。本文在仙杓坪褪迪至薙蚐牟⑿屑铀偎惴ǎ谖颐堑氖迪中充分利用了奶匦岳醇铀傥颐堑氖迪郑ㄊ褂霉蚕砟诖婧臀评泶娲⒌使用,尽量减少显存的分配和释放次数等等。ǔS隒协同工作,传统的优化策略主要关注鲜迪值男剩雎粤薈对系统性能的影响。本文在设计时考虑合理分配和利用淖试矗徊教岣吡讼低痴逍阅堋1文使用袼卮笮〉耐计馐越峁砻鳎喽杂贑上的串行版本而言,的实现达到了倍的加速,,而的实现达到了倍的加速,吞吐量达到。耄芎玫芈懔送枷裉卣魈崛〉实时处理的需求。考虑到与处理速度的差距,我们建议在图像匹配关键词:枷裉卣魈崛∷惴ǎ植刻卣鳎⑿屑扑中图分类号:基于耐枷裉卣魈崛〖铀偎惴
万方数据
瓸基于耐枷裉卣魈崛〖铀偎惴.,甌:.,瓸.,..,’痶
万方数据
拱于耐枷裉卣魈崛〖铀偎惴.—:琁,,:
万方数据
图目图:晕蠢醇改暝率萘康脑げ狻峁故疽馔肌璴芄瓜碌牧鞫啻砥鹘峁埂图芄瓜轮噶畹姆⑸涫疽馔肌编程模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..存储模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图利用试吹囊恢址椒ā处理流程及各部分所占运行时间的比例⋯⋯⋯⋯⋯⋯⋯⋯⋯.图特征点检测示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图特征点特征值的计算⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..处理流程及各部分所占运行时间的比例⋯⋯⋯⋯⋯⋯⋯⋯⋯图使用积分图像计算矩形的灰度值之和⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..左隓过滤图⋯⋯⋯⋯⋯⋯⋯⋯⋯.图金字塔示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图特征方向计算的示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一扑闾卣鞔翱谑疽馔肌与金字塔构造方法比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图高斯滤波的成涫疽馔肌图寻找局部极值点成涫疽馔肌图积分图像计算的实现示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图特征值计算的实现示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。.个点做小波变换示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图将一个特征窗口分成鲎哟翱凇隚的流水线并行示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯魉咴ご硗枷袷疽馔肌图利用剩余的处理核资源⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯~上实现各部分加速比较⋯⋯⋯⋯⋯⋯⋯⋯⋯蟂鞑糠质迪炙鍳核数的扩展性⋯⋯⋯⋯⋯⋯⋯⋯.上实现各部分加速比较⋯⋯⋯⋯⋯⋯⋯⋯..蟂鞑糠质迪炙鍳核数的扩展性⋯⋯⋯⋯⋯⋯⋯⋯使用隒流水线前后的吞吐量比较⋯⋯⋯⋯⋯⋯⋯..使用隒流水线前后的吞吐量比较⋯⋯⋯⋯⋯⋯⋯图利用剩余核后的吞吐量提升结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯隚耐掏铝勘冉稀图各系耐掏铝俊图鱃相对于串行的加速比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一算法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图对基礼的图像特征提取加速算法
万方数据
表目表图像的特征点数⋯⋯