CN116016816A - 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 - Google Patents
一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 Download PDFInfo
- Publication number
- CN116016816A CN116016816A CN202211604215.5A CN202211604215A CN116016816A CN 116016816 A CN116016816 A CN 116016816A CN 202211604215 A CN202211604215 A CN 202211604215A CN 116016816 A CN116016816 A CN 116016816A
- Authority
- CN
- China
- Prior art keywords
- copy
- gpu
- zero
- orb algorithm
- panoramic image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Studio Devices (AREA)
Abstract
一种改进L‑ORB算法的嵌入式GPU零拷贝全景图像拼接方法,包括:步骤1,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;步骤2,基于亮度一致性先验对原始图像进行曝光补偿;步骤3,使用流并行策略优化GPU利用。本发明还包括一种改进L‑ORB算法的嵌入式GPU零拷贝全景图像拼接系统。本发明提升了效率,并且可以充分利用GPU资源。
Description
技术领域
本发明涉及计算机视觉和并行计算领域,具体而言,涉及的是全景视频拼接和流处理并行方法和系统。
背景技术
智慧城市是现代信息技术与城市综合治理的产物。它的建设是基于对城市各种信息的全面感知、自动分析和科学决策。视频监控是智慧城市建设的关键和先行者,发挥着巨大的作用。应用于目标跟踪、行人再识别、交通管理。随着高性能计算和深度学习技术的成熟,以及众多学者对视频处理算法的不断研究和改进,视频监控技术发展迅速。
全景视频是在同一点录制全方位场景的视频。全景视频在视频监控、机器人视觉、数字城市、现场比赛、新兴虚拟现实等领域有着广泛的应用。通过全景相机拍摄获得的全景视频能够在虚拟现实中带来沉浸式的交互式漫游、旋转和缩放观察。全景设备在军事监控中的应用,将提高部队的战场感知能力,增强单兵作战能力。应用于无人机遥感和机器人视觉时,解决了前一个摄像头视野受限的问题,提高了检测识别效率。
创建全景图像需要非常复杂的采集和拼接过程,因此CPU和GPU需要具有强大的处理能力。传统的实时拼接设备都配备了广角镜头和FPGA等处理组件,成本较高。成本低的设备无法通过复杂的算法仔细校正图像。此外,传统的基于软件的方法不是实时的,因为需要在相机捕获图像后将信息离线传输到拼接软件进行拼接。
发明内容
本发明要克服现有技术的上述缺点,提出一种实时全景视频拼接方法和系统。该方法基于高效L-ORB图像特征提取算法,通过优化特征检测区域的分割和简化尺度不变性和旋转不变性来降低时间成本。
本发明首先优化了经典ORB因为特征点分布不均匀导致配准不够准确的问题,其次针对图像视角重叠部分优化了经典ORB算法的计算复杂度;然后基于亮度一致性先验对原始图像进行曝光补偿;最后在分析各分辨率图像拼接的GPU资源占用率的基础上,进一步提出流并行策略,有效地利用了GPU指令的块、线程和流并行策略来加速该视频拼接框架,最大限度地利用GPU资源。
本发明的目的是:针对图像拼接的速度慢和功耗高的情况,提出相应解决方案,从而达到低功耗的高速拼接。
本发明的技术方案是:一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法,包括以下步骤:
步骤1,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
步骤2,基于亮度一致性先验对原始图像进行曝光补偿;
步骤3,使用流并行策略优化GPU利用。
进一步,所述步骤1具体包括:
步骤1.1,确定重影区对应的角度:两架摄像机所在圆的半径为r,角度为θ,摄像机视野的角度为θrange,L为物体到摄像机的距离,那么,重影区对应的角度为α=π-(η+β),其中,
步骤1.2,使用GPU对每个摄像机采集的视频进行切割和变换,并检测重影区域α内的Fast特征点;
步骤1.3,选择与FAST特征点匹配的像素并计算Harris响应值;
步骤1.4,对满足FAST特征点的每个像素点进行非极大值抑制;
步骤1.5,得到Harris角点的最大角度P,建立BRIEF图像特征描述因子;
步骤1.6,对特征描述因子匹配过滤,计算变换矩阵;
进一步,所述步骤2具体包括:
步骤2.1将各摄像机拍摄图片帧统一亮度的一行像素拉伸到整张图片作为mask,
步骤2.2将像素值归一化mask_refine=255-max(mask)+mask,
步骤2.3对拼接后的图片应用mask,final_stitching=origin_stitching+(255-mask_refine)。
进一步,所述步骤3具体包括:
步骤3.1确定待拼接相机的数量n_cam;
步骤3.2根据待拼接相机的数量n_cam确定CUDA流的数量n_stream=n_cam-1;
步骤3.3将每个相机采集的图片添加到各个流中,并依次执行特征点提取等操作进一步,步骤3中,在系统启动时对空间预分配,并且同时对所有待处理的照片进行操作。
本发明的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统,包括:
特征点提取和匹配模块,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
原始图像曝光补偿模块,基于亮度一致性先验对原始图像进行曝光补偿;
GPU利用优化模块,使用流并行策略优化GPU利用。
再进一步,所述的特征点提取和匹配模块,具体包括:
步骤1.1,确定重影区对应的角度:两架摄像机所在圆的半径为r,角度为θ,摄像机视野的角度为θrange,L为物体到摄像机的距离,那么,重影区对应的角度为α=π-(η+β),其中,
步骤1.2,使用GPU对每个摄像机采集的视频进行切割和变换,并检测重影区域α内的Fast特征点;
步骤1.3,选择与FAST特征点匹配的像素并计算Harris响应值;
步骤1.4,对满足FAST特征点的每个像素点进行非极大值抑制;
步骤1.5,得到Harris角点的最大角度P,建立BRIEF图像特征描述因子;
步骤1.6,对特征描述因子匹配过滤,计算变换矩阵。
本发明的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
本发明的一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
本发明的有益效果是:
该框架首先优化了经典ORB因为特征点分布不均匀导致配准不够准确的问题,其次针对图像视角重叠部分优化了经典ORB算法的计算复杂度,提升了特征点计算的准确性,降低了复杂度;基于亮度一致性先验对原始图像进行的曝光补偿,增强了拼接后的全景图质量;最后在分析各分辨率图像拼接的GPU资源占用率的基础上,进一步提出流并行策略,有效地利用了GPU指令的块、线程和流并行策略来加速该视频拼接框架,最大限度地利用GPU资源。实验结果表明,所提算法在特征提取、特征匹配等图像拼接中均能取得较好的效果。从而使本文提出的框架的性能是前一种嵌入式框架的29.2倍,同时功耗降低到10W。
附图说明
图1所示的是根据本发明所述的改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架示意图;
图2所示的是摄像机阵列示意图;
图3a)-图3b)是根据本发明所述的改进L-ORB并行策略示意图,其中图3a)是图像拼接的顺序执行模式,图3b)是使用流并行策略对图像拼接优化后的并行执行模式;
图4是本发明系统的结构图;
图5是本发明的基于亮度一致性先验对原始图像的曝光补偿方法。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
图1为改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架流程图,具体实施方式的步骤如下:
步骤1:使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
其中计算重影区对应的角度的方法如图2所示,两架摄像机所在圆的半径为r,角度为θ,摄像机视野的角度为θrange,L为物体到摄像机的距离,那么,重影区对应的角度为α=π-(η+β),其中,
其中使用ORB算法对重叠区域的图像进行特征点提取和匹配的方法如下:
1)对每个相机重叠区域的部分进行Fast特征点提取;
2)对特征点计算Harris响应值和非极大值抑制等操作,然后对特征点进行匹配;
3)对特征描述因子匹配过滤,计算变换矩阵,然后进行图像变换;
步骤2:基于亮度一致性先验对原始图像进行曝光补偿;
1)将各摄像机拍摄图片帧统一亮度的一行像素拉伸到整张图片作为mask
2)将像素值归一化mask_refine=255-max(mask)+mask
3)对拼接后的图片应用mask,final_stitching=origin_stitching+(255
-mask_refine)。
步骤3:使用流并行策略优化GPU利用。
1)确定待拼接相机的数量n_cam;
2)根据待拼接相机的数量n_cam确定CUDA流的数量n_stream=n_cam-1;
3)将每个相机采集的图片添加到各个流中,并依次执行特征点提取等操作。
步骤3中,在系统启动时对空间预分配,并且同时对所有待处理的照片进行操作。
本发明的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统,包括:特征点提取和匹配模块,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
原始图像曝光补偿模块,基于亮度一致性先验对原始图像进行曝光补偿;
GPU利用优化模块,使用流并行策略优化GPU利用。
所述的特征点提取和匹配模块,具体包括:
步骤1.1,确定重影区对应的角度:两架摄像机所在圆的半径为r,角度为θ,摄像机视野的角度为θrange,L为物体到摄像机的距离,那么,重影区对应的角度为α=π-(η+β),其中,
步骤1.2,使用GPU对每个摄像机采集的视频进行切割和变换,并检测重影区域α内的Fast特征点;
步骤1.3,选择与FAST特征点匹配的像素并计算Harris响应值;
步骤1.4,对满足FAST特征点的每个像素点进行非极大值抑制;
步骤1.5,得到Harris角点的最大角度P,建立BRIEF图像特征描述因子;
步骤1.6,对特征描述因子匹配过滤,计算变换矩阵。
本发明的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
本发明的一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
本发明的框架主要由三种算法组成,L-ORB图像特征提取算法、基于亮度一致性先验的曝光不均匀的补偿算法,和基于CUDA的GPU零拷贝流并行视频拼接算法。
实验结果表明,与L-ORB算法相比,该策略的效率提升了1.6-2.5倍,并且可以充分利用GPU资源。整体性能是基于原始L-ORB系统的29.2倍,而功耗降低到10W。
本发明还提供了图4所示的一种对应于图1的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统的示意结构图。如图4所述,在硬件层面,该一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的数据采集的方法。当然,除了软件实现方式之外,本发明并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法,其特征在于,包括以下步骤:
步骤1,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
步骤2,基于亮度一致性先验对原始图像进行曝光补偿;
步骤3,使用流并行策略优化GPU利用。
2.根据权利要求1所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架,其特征在于,所述步骤1具体过程为:
步骤1.1,确定重影区对应的角度;
步骤1.2,使用GPU对每个摄像机采集的视频进行切割和变换,并检测重影区域α内的Fast特征点;
步骤1.3,选择与FAST特征点匹配的像素并计算Harris响应值;
步骤1.4,对满足FAST特征点的每个像素点进行非极大值抑制;
步骤1.5,得到Harris角点的最大角度P,建立BRIEF图像特征描述因子;
步骤1.6,对特征描述因子匹配过滤,计算变换矩阵。
4.根据权利要求1所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架,其特征在于,所述步骤2具体过程为:
步骤2.1将各摄像机拍摄图片帧统一亮度的一行像素拉伸到整张图片作为mask,
步骤2.2将像素值归一化mask_refine=255-max(mask)+mask,
步骤2.3对拼接后的图片应用mask,final_stitching=origin_stitching+(255-mask_refine)。
5.根据权利要求1所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架,其特征在于,所述步骤3具体包括:
步骤3.1确定待拼接相机的数量n_cam;
步骤3.2根据待拼接相机的数量n_cam确定CUDA流的数量n_stream=n_cam-1;
步骤3.3将每个相机采集的图片添加到各个流中,并依次执行特征点提取等操作。
6.根据权利要求1所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接框架,其特征在于,步骤3中,在系统启动时对空间预分配,并且同时对所有待处理的照片进行操作。
7.一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统,其特征在于,包括:
特征点提取和匹配模块,使用标定文件确定相机阵列的重叠区域,然后使用ORB算法对重叠区域的图像进行特征点提取和匹配;
原始图像曝光补偿模块,基于亮度一致性先验对原始图像进行曝光补偿;
GPU利用优化模块,使用流并行策略优化GPU利用。
8.一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接系统,其特征在于,
特征点提取和匹配模块具体包括:
步骤1.2,使用GPU对每个摄像机采集的视频进行切割和变换,并检测重影区域α内的Fast特征点;
步骤1.3,选择与FAST特征点匹配的像素并计算Harris响应值;
步骤1.4,对满足FAST特征点的每个像素点进行非极大值抑制;
步骤1.5,得到Harris角点的最大角度P,建立BRIEF图像特征描述因子;
步骤1.6,对特征描述因子匹配过滤,计算变换矩阵。
9.一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接装置,其特征在于:包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-6中任一项所述的一种改进L-ORB算法的嵌入式GPU零拷贝全景图像拼接方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604215.5A CN116016816B (zh) | 2022-12-13 | 2022-12-13 | 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604215.5A CN116016816B (zh) | 2022-12-13 | 2022-12-13 | 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116016816A true CN116016816A (zh) | 2023-04-25 |
CN116016816B CN116016816B (zh) | 2024-03-29 |
Family
ID=86026537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604215.5A Active CN116016816B (zh) | 2022-12-13 | 2022-12-13 | 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016816B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563186A (zh) * | 2023-05-12 | 2023-08-08 | 中山大学 | 一种基于专用ai感知芯片的实时全景感知系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109040701A (zh) * | 2018-09-10 | 2018-12-18 | 合肥巨清信息科技有限公司 | 一种基于大场景多gpu模式的视频拼接方法 |
CN109993718A (zh) * | 2019-03-05 | 2019-07-09 | 北京当红齐天国际文化发展集团有限公司 | 一种多通道投影图像融合方法及装置 |
CN110782394A (zh) * | 2019-10-21 | 2020-02-11 | 中国人民解放军63861部队 | 全景视频快速拼接方法及系统 |
CN111626307A (zh) * | 2020-04-15 | 2020-09-04 | 江苏大学 | 一种基于l-orb算法的植株图像实时拼接方法 |
CN112689850A (zh) * | 2020-03-19 | 2021-04-20 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、成像设备、可移动载体及存储介质 |
CN113506214A (zh) * | 2021-05-24 | 2021-10-15 | 南京莱斯信息技术股份有限公司 | 一种多路视频图像拼接方法 |
-
2022
- 2022-12-13 CN CN202211604215.5A patent/CN116016816B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109040701A (zh) * | 2018-09-10 | 2018-12-18 | 合肥巨清信息科技有限公司 | 一种基于大场景多gpu模式的视频拼接方法 |
CN109993718A (zh) * | 2019-03-05 | 2019-07-09 | 北京当红齐天国际文化发展集团有限公司 | 一种多通道投影图像融合方法及装置 |
CN110782394A (zh) * | 2019-10-21 | 2020-02-11 | 中国人民解放军63861部队 | 全景视频快速拼接方法及系统 |
CN112689850A (zh) * | 2020-03-19 | 2021-04-20 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、成像设备、可移动载体及存储介质 |
CN111626307A (zh) * | 2020-04-15 | 2020-09-04 | 江苏大学 | 一种基于l-orb算法的植株图像实时拼接方法 |
CN113506214A (zh) * | 2021-05-24 | 2021-10-15 | 南京莱斯信息技术股份有限公司 | 一种多路视频图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
杜承垚等: "《GPU加速与L-ORB特征提取的全景视频实时拼接》", 《计算机研究与发展》, pages 1 - 3 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563186A (zh) * | 2023-05-12 | 2023-08-08 | 中山大学 | 一种基于专用ai感知芯片的实时全景感知系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116016816B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10580140B2 (en) | Method and system of real-time image segmentation for image processing | |
EP3328058B1 (en) | Multi-lens based capturing apparatus and method | |
Chen et al. | Surrounding vehicle detection using an FPGA panoramic camera and deep CNNs | |
CN116324878A (zh) | 针对图像效果的分割 | |
CN113518210A (zh) | 图像自动白平衡的方法及装置 | |
WO2021204202A1 (zh) | 图像自动白平衡的方法及装置 | |
US9756234B2 (en) | Contrast detection autofocus using multi-filter processing and adaptive step size selection | |
CN110855957B (zh) | 图像处理方法及装置、存储介质和电子设备 | |
CN116016816B (zh) | 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和系统 | |
CN111382647B (zh) | 一种图片处理方法、装置、设备及存储介质 | |
CN111654637B (zh) | 对焦方法、对焦装置及终端设备 | |
CN114390201A (zh) | 对焦方法及其装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN107454328B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN109685802B (zh) | 一种低延迟的视频分割实时预览方法 | |
CN113962873A (zh) | 一种图像去噪方法、存储介质及终端设备 | |
Chu et al. | CFSM: a novel frame analyzing mechanism for real-time face recognition system on the embedded system | |
KR20140134844A (ko) | 객체 기반 사진 촬영 방법 및 장치 | |
US10789718B1 (en) | Local maxima sub-integer position estimation in video processing | |
CN112561961A (zh) | 一种实例追踪的方法及装置 | |
CN113888611B (zh) | 一种确定图像深度的方法、装置及存储介质 | |
CN117221504B (zh) | 一种视频抠像方法及装置 | |
US11734800B2 (en) | Method and apparatus for restoring an image by using a neural network including multi-scale residual blocks | |
CN116091572B (zh) | 获取图像深度信息的方法、电子设备及存储介质 | |
EP4340374A1 (en) | Picture quality adjustment method and apparatus, and device and medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |