基于CUDA的PCASIFT算法研究

《基于CUDA的PCASIFT算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、i宝京交硕士学位论文基于CUDA的PCA-SIFT算法研究TheresearchofPCA-—SIFTalgorithmbasedonCUDA作者：申吴导师：孙永奇北京交通大学2012年12月中图分类号：TP311UDC：004北京交通大学硕士学位论文基于CUDA的PCA．SIFT算法研究ThestudyofPCA—SIFTalgorithmbasedOnCUDA作者姓名：申吴导师姓名：孙永奇学位类别：工学学号：10120502职称：副教授学位级别：硕士学科专业：计算机科学与技术研究方向：高性能计算北京交通大学2012年

2、12月致谢本论文的工作是在我的导师孙永奇副教授的悉心指导下完成的，孙永奇老师严谨的治学态度和科学工作方法给了我极大的帮助和影响。在此衷心感谢两年半以来孙永奇老师对我的关心和指导。同时，我还要感谢实验室的老师瞿有利副教授，瞿有利老师在学习和生活上给予我无私的帮助和耐心的指导，并提出了很多宝贵的意见，使我受益匪浅。在实验室工作及撰写论文期间，张锐师兄及赵男、张潇、时鲁艳等实验室中的同学对我论文中研究工作给予了热情帮助，在此向他们表达我的感激之情。另外也感谢家人，他们的理解和支持使我能够在学校专心完成我的学业。中文摘要近些年来

3、，随着显卡技术的高速发展以及性价比的提升，将GPU用于通用计算逐渐成为国内外研究的热点。早期的GPGPU开发使用GPU的图形学接口，开发难度大、成本高。NVIDIA公司推出的CUDA技术是一种GPU通用计算编程模型，该模型提供了一个类似C语言的编程环境，使得研发人员可以更为简便地利用GPU庞大的并行计算资源。尺度不变特征变换算法(SIFT)被广泛应用于图像特征的检测，该算法在图像发生平移、旋转、仿射变换情况下依然能够获得较稳定的特征点。与SIFT算法相比，主成分不变特征算法PCA．SIFT检测出的特征点的描述信息具有较少

4、的维度，从而可以加快匹配速度和节约存储空问。本文详细描述了CUDA的编程模型、线程组织和存储器结构，并深入分析了SIFT特征检测算法和PCA—SIFT特征检测算法的具体实现步骤，揭示了SIFT和PCA．SIFT算法之间的联系。在上述研究工作基础上，提出了一种基于CUDA的并行PCA．SIFT特征检测算法，并对该算法进行了实验验证。实验结果表明，本文所设计的算法能够保证特征检测与特征描述的准确性，并且在实时性方面有3．5倍的提高。关键词：GPGPU；CUDA；并行计算；特征检测；PCA．SIFT分类号：TP311ABSTR

5、ACTCurrently,、舫mthedevelopmentoftechnologyandupgradeofcost-effectiveofthegraphicscard，uSiIlgGPUforgeneral-purposecomputinghasbecomeahotresearchtopicaroundtheworld．SincetheearlyGPGPUprogrammingisbasedongraphicsAPI，itisverydifficultandcostly．CUDA(ComputeUnifiedDevi

6、ceArchitecture)isaGPGPUdevelopingtooHdtintroducedbyNVIDIACorporation．CUDAprovidesaprogrammingenvironmentsimilartotheClanguage，withwhichthedevelopersCanusethemassiveparallelcomputingresourcesofGPUinaneasierway．Scale—invariantfeaturetransform(SIFT)iswidelyusedinima

7、gefeaturedetection，thisalgorithmcalldetectconstantfeatureseveniftheimageischangedbytranslation，rotationandaffmetransformation．Compared、)l，itllSIFT,principalcomponentanalysis(PCA)一SIFTcompressesthedimensionofthefeaturedescriptionvectors，asaresult，itCanspeedupthepr

8、ocessoffeaturematchingandeconomizethestorageoffeatures．Atfn'st，theprogrammingmodel，thethreadorganizationandthememorystructureofCUDAareintroducedindetail，andthe