本文關(guān)鍵詞：基于GPU的光電目標(biāo)檢測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著計算機圖形處理硬件和軟件的快速發(fā)展,在提高了圖形處理效率的同時,也很大程度上提高了仿真圖像的真實感。在光電目標(biāo)檢測系統(tǒng)中引入圖形處理器(Graphics Processing Unit, GPU)技術(shù),一方面可利用GPU的圖形圖像渲染能力仿真出逼真的光電目標(biāo)圖像,另一方面可利用GPU的高性能并行運算能力加速光電目標(biāo)檢測算法的效率。從而,形成一個完整的基于GPU的光電目標(biāo)檢測鏈路,通過反復(fù)進行“仿真一檢測—反饋”的測試鏈路,對不同種類光電目標(biāo)檢測方法進行評估與測試,具有成本低、周期短、不受實驗環(huán)境影響和控制靈活等特點。同時,隨著光電探測器收集目標(biāo)信息能力的增強,光電百標(biāo)檢測算法要處理的數(shù)據(jù)量越來越大,能否高效地、實時地完成光電目標(biāo)檢測將影響到整個光電檢測系統(tǒng)的性能與可用性,而GPU具有大規(guī)模并行處理海量數(shù)據(jù)的能力,將其引入到光電目標(biāo)檢測系統(tǒng)中具有很大的提升性能的潛力。因此,基于GPU的光電目標(biāo)檢測方法已經(jīng)成為各國學(xué)者研究的熱點問題之一。本文圍繞GPU的高效渲染能力和高性能并行運算能力,研究了如何利用GPU提高光電目標(biāo)仿真的效率和真實感,以及基于GPU的快速光電目標(biāo)檢測方法實現(xiàn)。論文的內(nèi)容概括為如下四個部分：第一部分介紹了GPU硬件的結(jié)構(gòu)以及高效并行運算的機理,扼要地描述了CUDA軟件編程模型,分析了多種提高GPU并行應(yīng)用程序的優(yōu)化手段。通過研究GPU圖形圖像渲染的原理,深入分析了利用渲染管線進行動態(tài)圖像仿真的關(guān)鍵技術(shù)和性能瓶頸,闡述了光電目標(biāo)仿真中光照模型的物理基礎(chǔ),最后給出了不同應(yīng)用下GPU的選型參考。第二部分研究了不同類型光電目標(biāo)的仿真方法�；赑RISSE仿真平臺,針對開放場景中的紅外目標(biāo)提出了一種基于GPU的BRDF反射模型,適用于快速再現(xiàn)紅外目標(biāo)的反射特性。通過開發(fā)DOEIR光線跟蹤平臺,提出了一種基于GPU的多面源跟蹤方法來描述多個紅外目標(biāo)之間的輻射傳輸過程。針對高光譜光電目標(biāo),通過采用線性光譜混合理論及狄利克雷分布模型,實現(xiàn)了基于GPU的高光譜目標(biāo)合成方法。第三部分研究了利用GPU的大規(guī)模并行運算能力快速實現(xiàn)紅外圖像背景預(yù)測算法。針對紅外光電目標(biāo)檢測中模板卷積運算的復(fù)雜性對檢測性能的影響,引入了可分離模板卷積的方法,并提出了一種通用的模板分離方法,在通用GPU上進行了實測和仿真實驗,獲得了優(yōu)于傳統(tǒng)方法上百倍的加速比。最后,將紅外圖像背景預(yù)測的可分離模板卷積方法推廣到嵌入式GPU。第四部分研究了利用GPU加速高光譜光電目標(biāo)檢測的方法。高光譜圖像擁有很高的光譜分辨率,致使高光譜圖像數(shù)據(jù)較大,對高光譜目標(biāo)檢測方法的處理性能提出較高的要求。通過分析高光譜目標(biāo)檢測的流程和圖像處理的瓶頸,提出了一種基于GPU的快速高光譜子空間提取的方法。在此基礎(chǔ)上,引入了迭代矩陣求逆的快速算法,提出了一種快速非監(jiān)督、非負約束的高光譜來像素目標(biāo)檢測算法。通過對實測和仿真高光譜圖像的測試驗證了提出方法的正確性和高效性。
【關(guān)鍵詞】：光電目標(biāo) GPU加速 目標(biāo)檢測 場景仿真 高性能運算
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-14
• 符號對照表14-18
• 縮略語對照表18-24
• 第一章 緒論24-38
• 1.1 研究背景與意義24-26
• 1.2 國內(nèi)外發(fā)展?fàn)顩r26-34
• 1.2.1 GPU高性能應(yīng)用的研究進展26-29
• 1.2.2 光電目標(biāo)檢測方法的研究進展29-34
• 1.3 本文結(jié)構(gòu)和創(chuàng)新點34-38
• 1.3.1 主要研究內(nèi)容與結(jié)構(gòu)安排34-35
• 1.3.2 創(chuàng)新點與特色35-38
• 第二章 基于GPU的并行計算與圖形渲染技術(shù)38-66
• 2.1 GPU的高效并行計算技術(shù)38-54
• 2.1.1 GPU的硬件環(huán)境38-44
• 2.1.2 CUDA軟件編程模型44-49
• 2.1.3 GPU并行程序設(shè)計的優(yōu)化技術(shù)49-54
• 2.2 GPU高性能圖形渲染的關(guān)鍵技術(shù)54-61
• 2.2.1 渲染管線54-58
• 2.2.2 光照模型的物理基礎(chǔ)58-61
• 2.2.3 三維引擎設(shè)計61
• 2.3 GPU選型方案參考61-64
• 2.4 本章小結(jié)64-66
• 第三章 基于GPU的光電目標(biāo)仿真方法66-116
• 3.1 基于動態(tài)渲染管線的目標(biāo)仿真66-92
• 3.1.1 實時光電目標(biāo)仿真的基本框架66-75
• 3.1.2 光電目標(biāo)的BRDF反射特性仿真75-83
• 3.1.3 實驗結(jié)果及分析83-92
• 3.2 基于靜態(tài)光線跟蹤的目標(biāo)仿真92-105
• 3.2.1 多目標(biāo)光線跟蹤真實感增強93-98
• 3.2.2 實測實驗與多面元跟蹤仿真結(jié)果驗證98-105
• 3.3 基于GPU的高光譜目標(biāo)仿真105-115
• 3.3.1 高光譜目標(biāo)的特征與仿真算法105-109
• 3.3.2 GPU加速合成高光譜目標(biāo)與仿真結(jié)果109-115
• 3.4 本章小結(jié)115-116
• 第四章 基于GPU的紅外目標(biāo)檢測方法116-142
• 4.1 紅外背景預(yù)測方法及可分離卷積的擴展116-125
• 4.1.1 背景預(yù)測方法概述116-121
• 4.1.2 可分離卷積理論推導(dǎo)121-125
• 4.2 基于GPU加速的紅外目標(biāo)檢測方法125-135
• 4.2.1 通用GPU實現(xiàn)背景預(yù)測的解決方案125-131
• 4.2.2 實驗結(jié)果及分析131-135
• 4.3 嵌入式GPU加速光電目標(biāo)檢測方法135-141
• 4.3.1 嵌入式GPU的特點與應(yīng)用范圍135-139
• 4.3.2 嵌入式GPU實現(xiàn)背景預(yù)測的結(jié)果及分析139-141
• 4.4 本章小結(jié)141-142
• 第五章 基于GPU的高光譜目標(biāo)檢測方法142-168
• 5.1 高光譜目標(biāo)檢測概述與處理流程142-146
• 5.1.1 高光譜目標(biāo)檢測概述142-144
• 5.1.2 高光譜目標(biāo)檢測流程框圖144-146
• 5.2 基于高光譜子空間分解的目標(biāo)檢測146-153
• 5.2.1 HySime算法原理147-150
• 5.2.2 基于GPU的分解子空間方法及性能優(yōu)化150-153
• 5.3 快速UNCLS算法153-157
• 5.4 實驗結(jié)果及分析157-167
• 5.4.1 基于GPU加速的HySime算法結(jié)果及優(yōu)化手段157-162
• 5.4.2 快速UNCLS高光譜目標(biāo)檢測方法的實驗結(jié)果與分析162-167
• 5.5 本章小結(jié)167-168
• 第六章 總結(jié)與展望168-172
• 6.1 工作總結(jié)168-169
• 6.2 工作展望169-172
• 參考文獻172-190
• 致謝190-192
• 作者簡介192-193

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬伯寧;王晨昊;湯曉安;匡綱要;;基于GPU的二維離散小波變換快速計算[J];國防科技大學(xué)學(xué)報;2011年03期

2 ZW;;3D游戲利器 主流嵌入式處理器GPU逐個看[J];電腦迷;2011年19期

3 王志國;王貴錦;施陳博;苗權(quán);林行剛;;積分圖像的快速GPU計算[J];計算機應(yīng)用研究;2011年10期

4 盧永菁;王東;;基于GPU的高速網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計[J];計算機工程與應(yīng)用;2011年33期

5 儲t熆，

本文編號：351024