SMT-PAAG altında Harris köşe algılama ve eşleştirme algoritması
Che Fang, Han Jungang, Guo Zhiquan
(Bilgisayar Okulu, Xi'an Posta ve Telekomünikasyon Üniversitesi, Xi'an, Shaanxi 710121)
Çok çekirdekli işlemci SMT_PAAG'nin platform özellikleriyle birleştirildiğinde, Harris köşe algılama ve paralel veri ve görev paraleline dayalı eşleştirme algoritması gerçekleştirilir. Algoritma SMT-PAAG simülatöründe doğrulanır ve deneysel sonuçlar hızlanma ve verimlilik gibi iki performans göstergesine göre analiz edilir.Sonuçlar, Harris köşe algılama ve SMT-PAGG üzerinde eşleştirme algoritmasının paralelleştirilmesinin önemli olduğunu göstermektedir.
SMT-PAAG; Harris köşe algılama ve eşleştirme; paralel veri; görev paralel
Çin Kütüphanesi Sınıflandırma Numarası: TP391.4
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.04.035
Çince alıntı biçimi: Che Fang, Han Jungang, Guo Zhiquan. SMT-PAAG altında Harris köşe algılama ve eşleştirme algoritması. Application of Electronic Technology, 2017, 43 (4): 138-140, 144.
İngilizce alıntı biçimi: Che Fang, Han Jungang, Guo Zhiquan. SMT-PAAG'da Harris köşe algılama ve eşleştirme algoritması. Application of Electronic Technique, 2017, 43 (4): 138-140, 144.
0 Önsöz
SMT-PAAG, Xi'an Posta ve Telekomünikasyon Üniversitesi tarafından grafik ve görüntü işleme için tasarlanmış programlanabilir mantık dizisi çok çekirdekli işlemcidir. Çok iş parçacıklı dizi makinesi, üç paralel hesaplama modelini destekler: veri paralelliği, görev paralelliği ve boru hattı teknolojisi. SMT-PAAG'ın genel mimarisi, aritmetik mantık operatörü ALU ünitesi, iş parçacığı yöneticisi (İş Parçacığı Yöneticisi, TM), 4 komşu paylaşımlı FIFO (İlk Giriş) dahil olmak üzere birbirine bağlı 16 işleme öğesi PE'den (İşleme Öğesi) oluşan iki boyutlu bir dizidir. İlk çıkar), veri depolama (Veri Belleği, D-MEM), talimat belleği (Yönerge Belleği, I-MEM), yönlendirici (Yönlendirici, RU). SMT-PAAG platformunun özelliklerini birleştiren bu makale temel olarak Harris köşe algılama ve SMT-PAAG dizi makinesinde eşleştirme algoritmasının paralelleştirilmesini inceler.
1 Harris köşe algılama ve eşleştirme algoritması
1.1 Harris köşe algılama
Harris köşe algılama prensibi, görüntü üzerinde hareket etmek için bir algılama penceresi kullanmaktır.Pencere bir köşe noktasıyla karşılaştığında, tüm yönlerde belirgin değişiklikler olur.Bu noktanın yanıt değeri (köşe noktasının komşuluğundaki değişimin ortalama değeri) Harris açısıdır Nokta algılama standardı, R belirli bir eşiğe ulaştığında, nokta bir köşe noktası olarak değerlendirilir.Harris köşe noktası algılama prensibine göre, tasarım aşamaları aşağıdaki gibidir.
(1) Bir RGB görüntü girin, gri tonlamalı görüntüye dönüştürün ve bir görüntü elde etmek için gri tonlamalı görüntüyü düzeltin. Yumuşatma, tüm görüntü üzerinde hareket etmek için bir evrişim çekirdeği seçmek, merkez noktasının piksel değerini bulmak için evrişim algoritmasını kullanmak ve Gauss filtreleme algoritmasını seçmektir. Evrişim çekirdeği:
(5) Eşik işlemi, bir eşik T seçin, R matrisini tarayın, R'deki her bir elemanı T eşiği ile karşılaştırın, eğer R'deki elemanın değeri T'den büyükse, değerlendirme için bir sonraki adıma tutun, aksi takdirde atın.
(6) Yerel maksimum bastırma gerçekleştirin, bastırma penceresi boyutu 3'tür, R matrisini tarayın ve eleman değerinin noktaya ortalanmış 3 × 3 mahallenin yerel maksimum değeri ile aynı olup olmadığını belirleyin.Aynı korunursa köşe olarak belirlenir. İşaret edin, koordinatları kaydedin, aksi takdirde atın.
(7) Harris köşe noktalarının koordinatlarının çıktısını alın.
1.2 Harris köşe eşleştirme
Köşe eşleştirme, iki görüntünün köşeleri arasındaki uyuşmayı bulmaktır. Harris köşe noktalarının eşleştirilmesi üç adıma bölünmüştür: Köşe noktalarının vektör açıklaması, kaba eşleştirme ve tam eşleştirme.
Harris köşe noktalarının vektör açıklaması, köşe noktalarını nokta özelliklerinden vektör özelliklerine dönüştürmektir. Kaba eşleştirme, iki görüntüdeki eşleşen köşe noktalarının ön taramasıdır. Tam eşleme, rastgele örnekleme konsensüs RANSAC algoritmasını kullanır. RANSAC, yinelemeli bir algoritmadır ve genellikle parametre tahmini için kullanılır. Temel fikir, parametre tahmini sırasında spesifik problemi objektif bir fonksiyona soyutlamak, fonksiyonun parametre değerini tahmin etmek için rastgele bir veri seti seçmek ve tüm verileri iki kategoriye bölmek için bu parametreleri kullanmaktır: geçerli veriler ve geçersiz veriler; Veriler, tahmini karşılayan kısımdır (iç nokta) ve geçersiz veriler tahmin edilen parametreyi karşılamıyor (dış nokta). Seçilen geçerli veriler tüm orijinal veriler arasında en büyük parametre grubu olana kadar yukarıdaki işlemleri birkaç kez gerçekleştirin. Açı için RANSAC kullanılır Nokta tam eşlemesinin ana adımları şunlardır:
(1) Kaba eşleşen köşe noktalarının s sayısına göre RANSAC yinelemelerinin sayısını belirleyin, böylece ince eşleşmedeki eşleşen köşe noktalarının tüm iç noktalar olma olasılığı yeterince yüksektir ve pratik uygulamalarda p% 95'e ulaşabilir, Herhangi bir nokta çiftinin bir dış nokta olmasının beklenmesi olasılığı için, o zaman:
2 Köşe algılama ve eşleştirme algoritmasının tasarımı ve uygulaması
2.1 Harris köşe algılama algoritmasının paralel veri modülü
Harris köşe algılama, köşe noktalarının yanıt değeri R'ye göre uygun noktaları seçmektir.Her pikselin R değerinin hesaplanması, görüntü işlemede yalnızca noktanın komşuluğu ile ilgili olan ve iyi veri paralelliği olan yerel bir işlemdir.
Bölüm 1.1'deki Harris köşe algılama adımlarına göre, adım (1) Gauss filtreleme işlemidir ve sınırın işlenmesi gerekir; adım (2), yatay ve dikey yönlerdeki gradyan olan gradyan hesaplaması, görüntü yerel işlemine aittir ve her biri Bir iş parçacığının ihtiyaç duyduğu sınır verileri, diğer iş parçacığının özel deposunda depolanır.Şekil 1'de gösterildiği gibi, Thread0'ın ihtiyaç duyduğu sınır verileri sırasıyla Thread1 ve Thread2'de saklanır.Bu veriler sadece ipler arası iletişim yoluyla elde edilebilir. Şekildeki oklar Kesikli çizgi, iş parçacıkları arasındaki iletişimi gösterir ve ok yönü veri akışını gösterir Blok3 uygulama kutusundaki dört kesikli çizgi, gönderilmesi gereken verileri işaretler. Thread3, yukarı (Diş1), aşağı, sola (Diş2) ve sağa dört adet iş parçacığı vermelidir. İhtiyacınız olan verileri alırken verileri gönderin Burada, veri iletimi ve alımı, SMT-PAAG iletişiminde engelleme modunu kullanır; adım (6) yerel maksimum bastırma da yerel bir işlemdir ve iletişim yöntemi adım (2) ile aynıdır.
2.2 Harris köşe algılama algoritmasının görev paralel modülü
Görevin paralel Harris köşe algılaması Şekil 2'de gösterilmektedir. Gauss filtreleme, Thread0 tarafından bağımsız olarak yürütülür ve sonuç, Thread1'e gönderilir. Sonraki hesaplamalar, Thread0, Thread1 ve Thread2 tarafından çapraz hesaplanır. Bu bölünmüş hesaplama, uzun süre beklemeyi ortadan kaldırır ve algoritmayı daha verimli hale getirir. Daha büyük çözünürlüklü görüntüler için, görüntü verileri bloklara bölünür ve her veri bloğu, görev paralel algoritmaları kullanılarak üç iş parçacığı tarafından hesaplanır.
2.3 Harris köşe eşleştirme algoritmasının paralel veri modülü
Harris köşe eşleştirme sürecinde, vektör açıklaması ve köşelerin kabaca eşleştirilmesi görüntünün yerel işlemlerine aittir. Paralelleştirme, veri paralelliği kullanılarak sağlanabilir. Burada esas olarak RANSAC'ın paralel tasarımını tanıtıyoruz. Veri paralelliğine dayanarak, iki paralelleştirme fikri önerilmektedir:
(1) RANSAC, aynı veri setinde (kaba eşleşmenin köşe noktaları) aynı işlemi (dahili noktaların sayısını sayarak) tekrarlar ve yürütmek için n adet (maksimum 16 × 8) iş parçacığına N tekrarlı yürütme atar , Her iş parçacığı bir veya daha fazla kez çalıştırır ve maksimum iç nokta sayısını ve karşılık gelen H dönüşüm modelini kaydeder; bu n iş parçacığı için, önce PE iç dişlilerini evreler arası iletişimi kullanarak çift olarak birleştirin ve sonucu her birine kaydedin PE'nin 0 dişi; daha sonra PE'ler arasında Thread0'ı birleştirin ve sonucu PE5'in Thread0 ile birleştirin. PE'ler arasındaki birleştirme Şekil 3'te gösterilmektedir. Şekildeki ok birleştirme yönünü, ok üzerindeki sayı ise birleştirme sırasını gösterir. Bu birleştirme yöntemi garanti eder PE'ler arasındaki tüm birleştirilmiş iletişim, komşu iletişimleri kullanır.
(2) RANSAC'ın (3) adımındaki hata hesaplamasını hesaplama için birden fazla iş parçacığına atayın. Spesifik yöntem, PE0'ın Thread0'ının nokta çiftlerini rastgele seçmesi, dönüşüm modeli H'yi hesaplaması ve ardından kalan köşe noktası çiftlerini böler ve bunları birden çok iş parçacığına yüklemesidir. PE0'ın thread0'ı H'yi ve hata eşiğini aynı anda tüm thread'lere yayınlar.Bu thread'ler hata hesaplama ve dahili nokta belirleme yapar.Son olarak, sonuç PE0'ın Thread0'ına geri dönüştürülür ve kayıtları karşılaştırılır. En çok olanı seçmek için yukarıdaki işlemi N kez tekrarlayın Mükemmel sonuçlar.
3 Deneysel sonuçlar ve analiz
Bu makale, platform olarak Linux işletim sistemi ve SMT-PAAG simülatörünü kullanır, Harris köşe algılama ve eşleştirme algoritmasını sırasıyla seri ve paralel olarak gerçekleştirir ve test sonuçlarını karşılaştırır. Seri deney, SMT-PAAG tek iş parçacığında uygulanır ve paralel deney, tek çekirdekli ve çok iş parçacıklı (PE başına 8 iş parçacığı) ve çok çekirdekli ve çok iş parçacıklı kullanılarak SMT-PAAG üzerinde gerçekleştirilir. Son olarak, verileri görüntülere dönüştürmek ve görüntülemek için OpenCV HighGUI'deki API'yi kullanın.
Paralel ve göreve paralel veri karşılaştırma deneylerini gerçekleştirmek için farklı sayıda iş parçacığında 160 × 128 çözünürlüklü görüntüler kullanmak. Şekil 4 ve Şekil 5, iki görüntünün Harris köşe algılamasının sonuçlarıdır.Sol resim orijinal görüntüdür ve sağdaki resim, maksimum olmayan uyarlamalı bastırma yarıçapının köşe noktasıdır r = 10. İki görüntü nispeten pürüzsüzdür ve algılama Çok fazla köşe noktası yoktur, bunların arasında Şekil 4'ün sağ resminde 73 köşe noktası ve Şekil 5'in sağ resminde 49 köşe noktası bulunmaktadır. Eşleşme sonuçları Şekil 6'da gösterilmiştir. Başarıyla eşleşen 15 çift köşe noktası vardır, görebilirsiniz. Şekilde bazı köşe noktaları başarılı bir şekilde eşleşmemiştir çünkü köşe vektörleştirme aşamasında sol ve sağ üst üste binen kısımların parlaklığının çok farklı olması son köşe noktasının vektör ifadesini farklı kılmaktadır.
Tablo 1, paralel Harris köşe algılama algoritmasının farklı sayıda iş parçacığı altında yürütülmesi için gereken süreyi gösterir; Tablo 2, görev paralel yürütme için gereken süreyi gösterir, Şekil 7 hızlanma değişim eğrisini gösterir ve Şekil 8, hızlanma verimliliği değişim eğrisini gösterir. Şekil 7 ve Şekil 8'den diş sayısı arttıkça ivme oranının arttığı ve ivme veriminin azaldığı görülmektedir. İş parçacığı sayısı arttıkça, iş parçacığı başına iletişim verisi miktarı azalır, ancak iletişim karmaşıklığı artar ve komşu iletişimi kullanılır, genel iletişim ek yükü artar ve hızlandırma verimliliği düşer. Görev paralelizminin hızlanma oranı ve hızlanma verimliliği temelde veri paralelliği ile aynıdır, ancak görev paralelizminin hala veri paralelliğine göre belirli avantajları vardır.
SMT-PAAG üst köşe eşleştirme algoritmasında iş parçacıkları arasındaki matrisin hesaplanması birbirinden bağımsızdır ve birleştirmede yalnızca küçük bir miktar iletişim ek yükü söz konusudur, bu nedenle iyi bir hızlanma elde edilebilir.
4. Sonuç
Bu makale, Harris köşe tespiti ve eşleştirme algoritmalarının paralelleştirilmesini gerçekleştirmek için SMT-PAAG donanım tasarımının özelliklerini birleştirmektedir.Karşılaştırmalı deneyler SMT-PAAG simülatörü üzerinde gerçekleştirilmiş ve deneysel sonuçlar analiz edilmiştir. Deneysel sonuçlar, Harris köşe tespiti ve SMT-PAAG üzerinde eşleştirmenin paralel hesaplanmasının oldukça avantajlı olduğunu göstermektedir. Çin'de bağımsız olarak geliştirilen bir dizi makine olarak, SMT-PAAG üzerinde bilgisayarla görme algoritmalarının verimli paralelleştirilmesi, çok çekirdekli platformların tasarımında ve bilgisayarla görme algoritmalarının paralelleştirilmesinde gelecek nesiller için referanslar ve referanslar sağlar.
Referanslar
Zhou Jiajia, Li Tao, Huang Xiaokang.Çok Çekirdekli Eşzamanlı Çok İplikli İşlemci için İş Parçacığı Zamanlayıcısının Tasarımı.Elektronik Teknoloji Uygulaması, 2016, 42 (1): 19-21.
Li Tao, Yang Ting, Yi Xueyuan ve diğerleri.Firely 2: Bir polimorfik paralel makine donanım mimarisi Bilgisayar Mühendisliği ve Bilimi, 2014, 36 (2): 191-200.
Qian Bowen, Li Tao, Han Jungang ve diğerleri.Polimorfik paralel işlemcilerde iş parçacığı yöneticisi tasarımı.Elektronik Teknoloji Uygulaması, 2014, 40 (2): 30-32.
HARRIS C, STEPHENS M.A kombine köşe ve kenar dedektörü, Alvey Vision Konferansı. 1988, 15: 50.
Wang Huaqin Özellik Noktası Eşleştirmesine Dayalı Görüntü Mozaik Yöntemi Araştırması Wuhan: Orta Çin Normal Üniversitesi, 2007.
Guo Xiaoran, Cui Shaohui.Yerel özellik noktalarının sağlam dijital görüntü stabilizasyonu Optoelektronik Mühendisliği, 2013 (5): 106-112.
