多核并行递归高斯SIFT算法实现与加速

"高效并行递归高斯SIFT算法的实现" 本文主要探讨了如何解决传统尺度不变特征变换（Scale Invariant Feature Transform, SIFT）算法存在的计算复杂度高、实时性差的问题。作者罗勇、叶正源和陈远知提出了一种基于多核处理器的递归高斯-尺度不变特征变换（Recursive Gaussian Filter-Scale Invariant Feature Transform, RGF-SIFT）算法。这一新算法旨在提高SIFT算法的效率，特别是在实时应用中的表现。 SIFT算法的核心在于尺度空间极值检测，这通常涉及到高斯滤波器的使用。传统的SIFT算法在处理过程中需要对每一层尺度空间进行多次滤波，计算量大。为了优化这一过程，研究者引入了四阶递归高斯滤波器。四阶递归高斯滤波器能够近似线性高斯滤波，相比非递归方法，它显著降低了计算复杂度，加快了滤波速度。 在并行处理方面，研究者利用了EDMA（Enhanced Direct Memory Access，增强型直接内存访问）技术。通过这种方法，图像数据被分割成多个部分，分配给多个数字信号处理器（DSP）核心进行并行处理，进一步提升了处理效率。这种方式有效地利用了多核处理器的计算能力，实现了数据级并行。 实验结果显示，采用并行递归高斯-尺度不变特征变换算法提取的特征点重复率高于标准SIFT算法，这意味着在保持特征稳定性的同时，算法的鲁棒性得到了提升。在图像特征点数量小于或等于500的情况下，该并行算法的平均加速比达到了17.97倍，显著提高了处理速度，增强了实时性能。 关键词：高斯滤波、尺度不变特征变换、多核处理器、并行技术 这篇论文提出的并行递归高斯SIFT算法为解决传统SIFT算法的计算瓶颈提供了一个有效方案，尤其在多核处理器环境下，通过递归高斯滤波和并行处理，不仅减少了计算复杂度，还提高了实时性，对于计算机视觉和图像处理领域的实时应用具有重要意义。