(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210891964.4 (22)申请日 2022.07.27 (71)申请人 成都飞机工业 （集团） 有限责任公司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 肖励　唐瑞卿　任杰　方雄　 王振东　王毅　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 何巍 (51)Int.Cl. G06V 10/75(2022.01) G06V 10/74(2022.01) G06V 10/52(2022.01) G06V 10/46(2022.01) (54)发明名称 一种基于GPU加速的双目匹配方法 (57)摘要 本发明公开了一种基于GPU加速的双目匹配 方法， 首先， 在CP U端分配内存并读入原始图像和 待测图像； 然后， 检测GPU设备并启动CUDA， 开始 CPU和GPU并行计算； 利用高斯差分金字塔， 构建 多尺度空间， 通过同尺度空间和相邻尺度空间的 像素点比较来识别多帧相邻图像中尺度和旋转 不变的兴趣点； 通过关键点的主方向、 位置和尺 度信息， 建立SIFT描 述子， 实现SIFT特征提取； 最 后， 利用欧式距离， 实现图像特征点的精确匹配。 本发明的方法不受噪声、 视角、 光照和图像尺寸 约束， 能够实时精确匹配大尺寸图像， 提高双目 图像匹配系统的精确性和快速性； 该方法在双目 匹配中得到应用验证， 满足双目图像匹配系统中 对精确性、 实时性和鲁棒性的要求， 可扩展到无 人机双目视 觉着陆导引。 权利要求书2页 说明书6页 CN 114937159 A 2022.08.23 CN 114937159 A 1.一种基于GPU加速的双目匹配方法， 其特 征在于， 包括以下步骤： 步骤 （1） 在CPU 端分配内存， 并读入原 始图像和待测图像； 步骤 （2） 检测GPU设备并启动CUDA， 开始CPU和GPU并行计算； 步骤 （3） 构建相邻多帧高斯金字塔的多尺度空间， 得到完整的高斯金字塔和高斯差分 金字塔， 并使构建的完整的高斯金字塔和高斯差分金字塔进行并行化； 步骤 （4） 在高斯差分金字塔中进行同尺度空间和相邻尺度空间的像素点比较， 进行极 值点的同步检测， 并筛 选极值点得到关键点； 步骤 （5） 进行关键点主方向的并行计算， 通过关键点的主方向、 位置和尺度信息， 建立 SIFT描述子， 实现SIFT特 征提取， 得到关键点描述子； 步骤 （6） 进行关键点描述子的并行计算； 步骤 （7） 利用欧式距离， 实现图像特 征点的精确匹配。 2.根据权利 要求1所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （3） 中， 并行构建相邻多帧高斯金字塔多尺度 空间的具体过程为： 输入图像与变尺度高斯函数 卷积得到一组高斯模糊图像后， 将这组高斯模糊图像的相邻两层对应相减， 得到一组高斯 差分图像， 降采样后得到下一组高斯模糊图像和高斯差 分图像， 重复以上过程， 从而构 造出 完整的高斯金字塔和高斯差分金字塔。 3.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （3） 中， 构建的高斯金字塔的多尺度空间的方法主 要包括高斯模糊和降采样。 4.根据权利 要求3所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （3） 中， 高斯金字塔的多尺度空间进行并行化的具体过程在纹 理存储器中实现。 5.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 步骤 （4） 中， 进行极值 点同步检测的具体过程更为： 步骤 （4.1） 将某个像素点与其同尺度空间的8个像素点比较， 如果该像素点不是极值， 则直接剔除， 果该像素点为极值， 则再与相邻尺度空间的2*9个像素点比较得到候选极值 点； 步骤 （4.2） 对候选极值 点进行插值 寻找全局最优点； 步骤 （4.3） 剔除不稳定像素点得到关键点； 步骤 （4.4） 如果图像尺寸不能被16整除， 需要在图像边缘进行补零操作， 减少核函数的 分支判断。 6.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （4） 中， 将高斯差分金字塔中的像素点 放在共享内存缓冲区中。 7.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （5） 中， 进行关键点主方向并行计算的具体过程 为： 步骤 （5.1） 确定关键点主方向为基于关键点的领域像素的梯度方向， 给每个相应的关 键点指定方向， 使其具有旋转 不变性； 步骤 （5.2） 在相邻多帧高斯模糊图像 中同步计算关键点所在尺度的模糊图像的梯度直 方图， 度直方图用于统计半径区域内的像素梯度， 横坐标 是梯度方向， 纵坐标 是梯度幅值； 步骤 （5.3） 直方图峰值为关键点的主方向， 最大值80%的方向为辅助方向， GPU端进行关 键点梯度幅值和梯度方向的计算， CPU 进行辅助方向的判断；权　利　要　求　书 1/2 页 2 CN 114937159 A 2步骤 （5.4） 在用GPU进行加速时， 每个block对应1个关键点主方向的计算， block中的每 个线程对应1个 像素点梯度方向和梯度幅值的计算。 8.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （6） 中进行关键点描述子并行计算的具体过程 为： 步骤 （6.1） 关键点描述子为利用128维描述向量来描述关键点及其周围像素点的位置、 方向和尺度信息的SIFT特 征描述子， 利用GPU加速， 实现相邻多帧图像同步计算描述子； 步骤 （6.2） 通过旋转坐标轴为关键点方向、 计算关键点128维描述向量和归一化128维 描述子， 使关键点具备尺度不变性、 旋转不变性， 以及去除光照影响， 从而提高关键点匹配 的正确性； 步骤 （6.3） 为了充分提升GPU的加速性能， 由于每个像素点不止一次用到， 将关键点的 邻域信息保存到共享存 储器中， 实现每 个线程块内的线程共享邻域信息； 步骤 （6.4） 每个线程块负 责计算1个特征点的描述向量， 每个线程负责block中1个像素 点的计算， 每 个线程块包含256个线程。 9.根据权利要求1或2所述的一种基于GPU加速的双目匹配方法， 其特征在于， 所述步骤 （7） 中， 利用欧式距离， 实现图像特 征点的精确匹配的具体过程 为： 步骤 （7.1） 当两幅图像的SIFT特征描述子生成后， 利用欧式距离进行图像关键点的匹 配； 步骤 （7.2） 两个关键点描述子欧式距离的并行化计算过程是计算相邻两帧图像的某个 关键点的128维度距离的归约求和及开方运 算； 步骤 （7.3） 如果该欧式距离小于某个阈值， 则关键点匹配； 步骤 （7.4） 由于特征描述子的相似性计算需要用到欧式距离， 运算量较大， 因此放在 GPU； 步骤 （7.5） 每个线程块负责图像 中1个特征描述子欧式距离的计算， 进行双向哈希预筛 选， 得到极为优质的匹配点对。权　利　要　求　书 2/2 页 3 CN 114937159 A 3