發(fā)布時間：2017-06-29 15:07

  本文關(guān)鍵詞：基于OpenCV的GPU并行加速圖像匹配算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：因為自身特有的高精度、抗干擾和自主導(dǎo)航等強(qiáng)大特性,慣性/圖像匹配輔助導(dǎo)航系統(tǒng)成為了目前研究的一大熱門方向。圖像匹配輔助導(dǎo)航技術(shù)能夠為慣性導(dǎo)航系統(tǒng)提供位置修正數(shù)據(jù)信息,其精確性和實時性是圖像匹配算法非常關(guān)鍵的因素。本文就圖像匹配輔助導(dǎo)航系統(tǒng)里的核心所在——圖像匹配算法進(jìn)行了較為深入的攻關(guān)與研究。鑒于ORB算法缺少對尺度不變性的良好支持,本文借鑒了尺度空間和高斯圖像金字塔的概念,將多尺度空間引入到ORB算法中,提出并實現(xiàn)了改進(jìn)的ORB算法。實驗表明,本文提出的算法除了繼承了ORB算法速度極快的優(yōu)點(diǎn)以外,也能在平移不變性、旋轉(zhuǎn)不變性、尺度不變性、仿射變換不變性等各方面上有能和SIFT媲美的性能。為了進(jìn)一步提高ORB特征點(diǎn)的匹配精度,本文提出了基于哈希表的雙向預(yù)篩選策略,在使用RANSAC算法提純之前,先進(jìn)行一個初步的篩選,篩選出一個高質(zhì)量的樣本集合,再利用RANSAC算法對此高質(zhì)量的樣本進(jìn)行優(yōu)化提純,以達(dá)到非常高的匹配精準(zhǔn)度和運(yùn)算效率。本文將GPU與CUDA并行運(yùn)算引入到圖像匹配輔助導(dǎo)航系統(tǒng)中,讓常用的圖像匹配算法運(yùn)行速度有了超過20倍運(yùn)算速度的提高,滿足了圖像匹配導(dǎo)航系統(tǒng)實時性的需求。最終,本文總結(jié)并實現(xiàn)了一套基于Open CV、CUDA并行運(yùn)算與改進(jìn)ORB算法的圖像匹配算法。并進(jìn)行了綜合性地計算仿真實驗論證。實驗結(jié)論表明,這套算法擁有極高的效率,可以將圖像匹配時間控制在毫秒級,可以滿足圖像匹配導(dǎo)航系統(tǒng)中精確性、實時性和魯棒性的要求。
【關(guān)鍵詞】：圖像匹配 導(dǎo)航 圖形處理器 計算統(tǒng)一設(shè)備架構(gòu) OpenCV ORB 隨機(jī)抽樣一致
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• abstract5-12
• 注釋表12-13
• 縮略詞13-14
• 第一章 緒論14-22
• 1.1 本文的研究背景與意義14-15
• 1.2 圖像匹配輔助導(dǎo)航系統(tǒng)的使用與研究現(xiàn)狀15-17
• 1.2.1 國外圖像匹配輔助導(dǎo)航系統(tǒng)的使用的研究現(xiàn)狀15-16
• 1.2.2 國內(nèi)圖像匹配輔助導(dǎo)航系統(tǒng)的使用的研究現(xiàn)狀16-17
• 1.3 OpenCV國內(nèi)外使用和研究現(xiàn)狀17-19
• 1.3.1 OpenCV概述17-18
• 1.3.2 OpenCV的國內(nèi)外研究與使用現(xiàn)狀18-19
• 1.4 GPU并行運(yùn)算技術(shù)的國內(nèi)外研究現(xiàn)狀19-20
• 1.4.1 并行計算技術(shù)的發(fā)展與現(xiàn)狀19-20
• 1.5 本文的研究內(nèi)容20-22
• 第二章 ORB圖像特征提取與匹配算法研究22-40
• 2.1 引言22
• 2.2 ORB算法的原理簡述22-25
• 2.2.1 oFAST：帶方向的FAST特征檢測22-24
• 2.2.2 rBRIEF：帶旋轉(zhuǎn)的BRIEF特征描述24-25
• 2.3 改進(jìn)ORB算法的實現(xiàn)描述25-30
• 2.3.1 圖像的尺度空間與高斯金字塔25-27
• 2.3.2 改進(jìn)的ORB算法27-30
• 2.4 基于Hamming距離的ORB特征點(diǎn)匹配30-31
• 2.5 實驗與分析31-39
• 2.5.1 實驗環(huán)境31-32
• 2.5.2 實驗過程與結(jié)果分析32-39
• 2.6 本章小結(jié)39-40
• 第三章 使用改進(jìn)的RANSAC算法優(yōu)化圖像匹配結(jié)果40-48
• 3.1 引言40
• 3.2 對極幾何與基礎(chǔ)矩陣40-41
• 3.3 RANSAC算法的研究現(xiàn)狀41-44
• 3.3.1 RANSAC算法原理41-42
• 3.3.2 基礎(chǔ)矩陣求解的一般方法42-43
• 3.3.3 用八點(diǎn)法擬合基礎(chǔ)矩陣43-44
• 3.4 用改進(jìn)的RANSAC算法擬合基礎(chǔ)矩陣44-46
• 3.4.1 哈希表與哈希查找44
• 3.4.2 用RANSAC算法估計基礎(chǔ)矩陣的步驟44-45
• 3.4.3 基于預(yù)篩選的改進(jìn)RANSAC算法描述45-46
• 3.5 實驗結(jié)果與分析46-47
• 3.6 本章小結(jié)47-48
• 第四章 基于仿射變換的導(dǎo)航參數(shù)求解48-55
• 4.1 引言48
• 4.2 圖像的二維變換分析48
• 4.3 仿射變換的概述與分類48-49
• 4.3.1 旋轉(zhuǎn)變換48-49
• 4.3.2 縮放變換49
• 4.3.3 平移變換49
• 4.4 仿射變換的導(dǎo)航參數(shù)推導(dǎo)49-50
• 4.5 基于圖像匹配結(jié)果解算出仿射變換矩陣50-51
• 4.6 算法的仿真實現(xiàn)51-53
• 4.7 實驗結(jié)果與分析53-54
• 4.8 本章小結(jié)54-55
• 第五章 基于CUDA的圖像匹配導(dǎo)航技術(shù)的研究55-75
• 5.1 引言55
• 5.2 基于GPU高性能運(yùn)算技術(shù)概述55-57
• 5.3 CUDA的體系架構(gòu)57-59
• 5.3.1 CUDA編程模型57-58
• 5.3.2 CUDA執(zhí)行模型58-59
• 5.4 OpenCV與CUDA混合編程開發(fā)平臺搭建59-60
• 5.5 基于CUDA并行運(yùn)算的改進(jìn)ORB算法實現(xiàn)架構(gòu)概述60-62
• 5.6 基于CUDA并行運(yùn)算的改進(jìn)ORB算法實現(xiàn)描述62-67
• 5.6.1 第一步：基于高斯金字塔構(gòu)建尺度空間62-63
• 5.6.2 第二步：檢測尺度空間的極值63-64
• 5.6.3 第三步：剔除不穩(wěn)定的特征點(diǎn)64-65
• 5.6.4 第四步：關(guān)鍵點(diǎn)方向的確定65-66
• 5.6.5 第五步：計算關(guān)鍵點(diǎn)的特征描述66-67
• 5.6.6 第六步：基于Hamming距離的ORB特征點(diǎn)匹配67
• 5.7 實驗過程與分析67-74
• 5.7.1 試驗環(huán)境68
• 5.7.2 實驗：GPU加速的量化評估分析68-70
• 5.7.3 實驗：五種不同的匹配方法的匹配耗時對比實驗70-72
• 5.7.4 實驗：基于GPU加速與ORB圖像匹配的導(dǎo)航技術(shù)72-74
• 5.8 本章小結(jié)74-75
• 第六章 總結(jié)與展望75-76
• 參考文獻(xiàn)76-79
• 致謝79-80
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文80

  本文關(guān)鍵詞：基于OpenCV的GPU并行加速圖像匹配算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：498299