基于CUDA的立体匹配及去隔行算法

论文摘要

立体视觉是计算机视觉领域中的一个研究热点,是被动深度测量的重要方法。立体匹配是立体视觉中的重要步骤,也是难点之一。本文对实时立体匹配算法进行了研究。在立体匹配算法中,基于区域的局部匹配方法运算简单规整,适合于硬件加速实现,且能够得到致密的视差图。匹配窗口的合理选择直接影响到匹配的效率和准确性,但使用适当的立体匹配加速方法可以使算法复杂度大大减小。在典型的视频监控场景中,有人的走动和车辆的快速移动,监控摄像机的隔行扫描使得人和车辆边缘模糊,视频图像质量下降。为了获得清晰的监控视频,需要将隔行扫描信号转成逐行扫描信号。主流效果较好的去隔行方法有运动自适应和运动补偿两种,本文对这两种方法都进行了研究。运动自适应中采用同极性4场运动检测法提取运动信息,将图像分为静止区域、运动区域和混合区域;对静止区域采用直接的场合并,对于运动区域采用改进的基于边缘的插值,混合区域则采用基于运动向量的加权平均。运动补偿去隔行算法采用双向运动估计法,根据运动矢量的幅值将场图像块分成三类,快速运动的块采用基于边缘的场内插值,较慢的块采用沿运动矢量的线性平均,中间速度的块再细分,判断后采用上述两种方法之一进行插值计算。CUDA是NVIDIA公司发布的用于GPU的通用计算开发环境和软件体系,借助于GPU强大的运算能力,可实现并行处理。本文基于CUDA对立体匹配及去隔行算法进行加速。在立体匹配中,比较了不同算法结构通过CUDA加速在性能上的区别。对于去隔行算法,进行了有针对性的算法结构调整,对运动自适应去隔行中的运动检测和运动补偿去隔行中的运动估计进行了CUDA加速,取得了很好的结果。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 立体匹配概述
• 1.1.1 立体匹配研究背景
• 1.1.2 立体视觉原理
• 1.2 去隔行概述
• 1.2.1 去隔行研究背景
• 1.2.2 去隔行原理
• 1.3 算法实现硬件平台
• 1.4 本文主要研究内容
• 第二章 双目立体视觉匹配算法
• 2.1 匹配基元的选择
• 2.2 确定相似度度量因子
• 2.3 匹配窗口选取
• 2.4 区域立体匹配加速算法
• 2.4.1 金字塔多分辨率匹配
• 2.4.2 盒滤波技术加速
• 2.5 本章小结
• 第三章 视频去隔行算法
• 3.1 去隔行算法分类
• 3.2 运动自适应去隔行
• 3.2.1 运动检测
• 3.2.2 区域划分
• 3.2.3 区域插值
• 3.3 运动补偿去隔行
• 3.3.1 运动估计
• 3.3.2 运动补偿
• 3.4 本章小结
• 第四章 CUDA加速
• 4.1 概述
• 4.2 GPU硬件架构
• 4.3 CUDA概述
• 4.3.1 CUDA执行模型
• 4.3.2 CUDA存储器模型
• 4.3.3 CUDA优化
• 4.4 立体匹配加速
• 4.4.1 SAD及SSD算法加速
• 4.4.2 census算法加速
• 4.4.3 立体匹配实验结果分析
• 4.5 去隔行算法加速
• 4.5.1 运动自适应去隔行加速
• 4.5.2 运动补偿去隔行加速
• 4.5.3 去隔行实验结果分析
• 4.6 本章小结
• 第五章 总结与展望
• 参考文献
• 作者简历及在学期间所取得的科研成果