摘 要

随着机器视觉产业和嵌入式制造行业的发展，嵌入式图像匹配技术应用领域也更加广泛，在图像拼接技术、医学图像分析、物体辨识及变化检测、目标识别跟踪，人工智能等领域中具有广泛的应用。

本文采用图像特征匹配中的SURF算子进行特征点的提取，然后利用k-d树思想进行图像特征点对配对，接下来采用随机抽样一致性RANSAC方法对图像特征点对进行提纯，最后进行图像之间的特征点匹配和图像拼接。本文在Jeston TK1嵌入开发平台上进行图像匹配，通过调用OpenCV视觉库，并利用CUDA对GPU单元进行优化加速，同时与PC端运行时间进行比较。通过对实验结果进行分析得出，采用随机抽样一致性方法提纯后的图像匹配效果更加精准；CUDA对GPU单元进行加速后，对不同图像质量的匹配拼接加速效果不一样，图像像素越高，加速效果越明显。

关键词：图像匹配；嵌入式；特征；Jeston TK1

Abstract

With the development of machine vision industry and embedded manufacturing industry， the application of embedded image matching technology is more extensive. Especially in the field of image mosaic technology，medical image analysis，object recognition and change detection， target recognition and tracking， artificial intelligence and other fields of application.

In this paper，the feature points is extracted by the SURF operator in the image feature matching. The first choice of the k-d tree is used to match the image feature points， then the random consistency RANSAC method is used to extract the image feature points. Finally， the feature points matching and image stitching between the images are carried out.Based on Jeston TK1 embedded development platform for image matching and the OpenCV library vision，unit is optimized by using the CUDA GPU acceleration， and comparing with PC running time. Through the analysis of test results，using the method of random consistency after purification of image matching result is more accurate. CUDA is used to accelerate the unit (GPU)， and for different images ，the effect of image matching and accelerate is different . The higher the image pixels， the more apparent accelerating effect.

Key Words: image matching; embedded; features ; Jeston TK1

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 论文的组织结构 2

第2章 图像匹配的原理及流程 4

2.1 图像的特征点 4

2.2 图像匹配的流程 4

2.3 图像匹配预处理 5

2.4 图像特征点检测常用方法 5

2.4.1 Harris特征点检测 6

2.4.2 FAST特征点检测 6

2.4.3 SIFT特征点检测 6

2.4.4 SURF特征点检测 8

2.4.5 方法比较 10

2.5 图像特征点匹配 10

2.6 采用RANSAC对特征点对进行提纯 10

2.7 本章小结 11

第3章 基于GPU单元加速 12

3.1 CUDA简介 12

3.2 CUDA编程模型 12

3.2.1线程模型 12

3.2.2 存储模型 12

3.2.3 执行过程 14

3.3 本章小结 14

第4章 嵌入式图像匹配的平台搭建 15

4.1 Jetson TK1开发板简介 15

4.2 Jetson TK1开发板结构 15

4.3 嵌入式图像匹配硬件系统平台搭建 16

4.4 嵌入式图像匹配软件系统平台搭建 17

4.4.1 Linux系统简介 17

4.4.2 OpenCV简介 17

4.5 本章小结 18

第5章 图像匹配实现 19

5.1 图像匹配的实现 19

5.2 图像拼接 24

5.3 GPU单元加速与PC端进行比较 25

5.4 实验结果分析 26

5.5 本章小结 26

第6章 总结 27

参考文献 29

附 录 30

致 谢 33

第1章 绪论

1.1 研究背景及意义

随着21世纪信息化时代的到来，数字图像处理技术取得了突飞猛进地发展，对信息的获取、加工、处理已成为现代信息社会最基本、最重要的任务之一。图像视觉是我们感受视觉信息的重要方式，图像给人们所传达呈现的信息比其他形式的信息更生动形象。把图像技术与计算机技术进行结合起来，就产生了数字图像处理技术。数字图像处理技术在不同领域都得到了广泛的应用，因而也产生了很多的应用学科。图像匹配也作为近几十年发展起来的一种模式识别的技术，已成为数字图像处理中一项很关键的图像处理技术，可将人的视觉认识和理解过程用现代信息技术和计算机来完成。图像匹配是指采用某些算法在两幅或者多幅图片之间寻找相同特征点，比如在二维图像匹配的过程中通过对目标区与当前区域中同等大小窗口的有关系数进行对比，找到当前区域中有关系数最大时对应的中心点做同名点。它的核心思想是在基本元素相似的情况下，采用特定算法的最佳搜索问题。实际上就是在一幅图像中搜寻与所给目标图像最具相似度的图像或者子图像的过程^[1]。图像匹配技术具有广泛的应用，在医学图像分析、物体辨识及变化检测、目标识别跟踪，人工智能等领域中具有广泛的应用。

传统的图像处理技术由于设备原因，行业成本比较高，所以以往依赖大型设备来进行图像处理的设备已经开始淘汰。现在我国已经是一个制造业的大国，现代的自动化技术与图像处理技术在实际生产生活中都得到了广泛应用，中国制造的制造效率与质量上的要求也日益提高。传统的图像处理技术主要是在计算机GPU上运行，由于图像处理过程中涉及的运算量比较大，所以人们现在人们开始使用GPU-CPU并行模式对图像进行处理，这样可以使得图像处理技术速度大大提高，甚至达到实时的效果。