移动设备上特征点提取加速方法研究

摘要

当前,以智能手机和平板电脑为代表的移动设备正蓬勃发展,不断地改变着人们的生活。移动设备的计算能力越来越强,功能越来越丰富,使得移植一些桌面平台上的应用成为可能。然而,类似增强现实这样的对实时性要求很高的应用,移动平台的性能还无法完全满足需求。增强现实算法在移植过程中,影响其性能的因素除了移动设备的硬件制约外,另一个很重要的原因是没有依据移动设备自身的硬件特点进行适当的改进。
　　在增强现实应用中,提取特征点和特征点的匹配是关键。本文主要关注特征点的提取部分,以SURF算法为例,针对移动设备硬件特点来进行改进。相对于桌面平台中央处理单元而言,移动平台的中央处理单元架构简单,其计算能力相对较弱且其高速缓存容量较小。我们认为SURF算法移植到移动平台有两个地方需要改进。首先是原算法中在计算兴趣点主方向时存在大量的分支程序,这样将造成流水线冒险;其次是较小的高速缓存容量不适应原算法中箱式滤波器对图像数据访问方式。针对以上指出的需要改进的地方,本文给出了两种相应的解决方法。首先,针对原算法中存在的大量分支结构的特点,我们使用了基于梯度矩的获取兴趣点主方向方法;其次,针对移动设备CPU高速缓存较小的特点,我们使用了依据图像内容的自适应分块方法。
　　实验结果表明,在移动设备上采用加入梯度矩和依据内容自适应分块方法的SURF算法可以很好的提高其表现。在没有牺牲精确度的情况下,速度上有3到4倍的提高。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1研究目的及意义

1.2移动增强现实介绍

1.3研究目标和所做的工作

1.4论文的组织结构

2移动SURF算法与高速缓存的不匹配

2.1 SURF算法的提点过程

2.2滤波器数据读取与高速缓存间的不匹配

2.3本章小结

3移动平台上SURF算法的分支结构

3.1 SURF算法生成描述符过程

3.2兴趣点主方向分配中的分支结构及影响

3.3本章小结

4特征点提取算法改进与实现

4.1依据内容自适应分块的SURF算法

4.2基于梯度矩的主方向分配

4.3实验结果

4.4本章小节

5总结与展望

5.1 全文总结

5.2 研究展望

致谢

参考文献