图像特征值提取算法并行优化方法研究

摘要

进入21世纪以来，人们的工作生活与图像信息联系越来越紧密，随之图像信息分类也愈加重要，图像特征提取作为对图像处理分类的一个重要手段之一，已经得到广泛的应用。图像特征提取基于图像的多种特征，颜色、形状、空间关系等发展出了多种多样的方法。随着手机、摄像机、录影机等多媒体产品的飞速发展，图片处理在生活中越来越常见，无论是在智能交通监摄管理系统还是人脸识别系统。于是乎，图片数量呈现爆发式增长，对于图像特征提取算法的效率提出了更高的要求。
　　从超级计算机到PC，多核处理器已经得到普遍运用，与之相结合的并行计算极大地提高了程序运行效率。传统的串行图像特征提取算法已经满足不了海量图片分类的实时性需求，将图像特征提取算法进行并行优化已迫在眉睫。因此，本文采取OpenMP+MPI的混合编程模型对图像特征提取算法进行并行优化，该模型充分利用两种编程模型的优点， MPI可以解决多处理器间的粗粒度的并行而OpenMP提供了细粒度的并行，很好的解决了计算机内部处理器之间的交互，充分提高了算法执行效率。
　　本文主要工作如下：
　　首先对图像特征提取算法并行化进行需求分析，然后以LBP、HOG、HAAR、SIFT算法为例，基于基本算法进行并行优化，方法如下：首先先了解了四种算子的基本串行算法，并针对LBP算子，采用了OpenMP对单个图片进行加速和MPI对图片间进行加速的线程级加进程级方式；在HOG算法中加入并行线程嵌套，对于外层的分块进行了并行加速同时在每个线程中统计环节进行了并行处理；对HAAR算法中改变了计算顺序和基于分块两种并行实现方法；在SIFT算法中针对其三维环境特性提出了三种分块模式，并对关键点方向确认也进行了并行优化。
　　最后在基于Linux操作系统的多核服务器上予以实现并行优化的LBP、HAAR、HOG、SIFT特征提取算法，并对实验结果进行分析。实验结果表明并行优化后的LBP、HAAR、HOG、SIFT特征提取算法在多核处理器上，相较于基本串行特征提取算法，绝大多数情况下计算效率有了明显提高。但是，也存在效率降低的场景，本文对原因进行了分析。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 论文工作及创新点

1.3 论文结构

第二章 LBP特征提取算法

2.1 基本LBP算子

2.2 基本LBP算子分析与实现

2.3 LBP算法并行优化

2.4 实验结果及算法性能分析

2.5 本章小结

第三章 HOG特征提取算法

3.1 基本HOG算法

3.2 HOG算法并行优化

3.3 实验结果及算法性能分析

3.4 本章小结

第四章 HAAR特征提取算法

4.1 基本HAAR算子

4.2 HAAR算法并行优化

4.3 实验结果及算法性能分析

4.4 本章小结

第五章 SIFT特征提取算法

5.1 基本SIFT算子

5.2 SIFT算法并行优化

5.3 实验结果及算法性能分析

5.4 本章小结

结 束 语

致谢

参考文献

作者在学期间取得的学术成果