论文部分内容阅读
随着智能交通系统和智能车辆的发展,车载系统中的安全辅助驾驶功能已成为当前研究热点。车道检测、车辆检测及跟踪涉及大量复杂的图像处理计算,CPU的串行处理特性无法满足实际应用所需的实时性能。图形处理器(GPU)强大的并行计算能力可以用来解决这种瓶颈问题,且GPU已逐渐成为汽车电子系统中的标配。为了满足车辆检测及跟踪在实际应用中的实时性需求,本文针对基于GPU的加速方法进行了深入研究,主要内容如下：1、设计了一种基于GPU加速的桶形畸变校正方法。利用GPU并行计算资源对算法中校正像素坐标及颜色值的计算进行加速。2、设计了一种基于GPU加速的Hough车道检测方法。利用GPU并行计算资源对算法中的灰度化、二值化、中值滤波、Sobel算子边缘检测和Hough变换进行加速。3、设计了一种基于GPU加速的Harris角点检测方法。利用GPU并行计算资源对算法中灰度化、初始平滑、高斯滤波及兴趣值计算和去伪角点部分进行加速。4、设计了一种基于GPU加速的：mean shift车辆跟踪方法。利用GPU并行计算资源对算法中目标区域的距离加权矩阵和颜色值计算、候选区域的颜色值计算以及偏移向量矩阵计算进行加速。5、实现了一种在高速公路环境下基于GPU加速的车辆检测及跟踪系统。采用GPU+CPU协同处理模式来实现对行驶车辆所在车道内前方车辆的检测及跟踪,利用GPU对车道检测、车辆检测和车辆跟踪三大局部算法实现加速处理。本文对上述五种实现分别进行了相应的GPU加速实验,实验环境为Windows XP系统中的Visual Studio2008平台,采用C/C++、GLSL和OpenGL2.0来实现。实验结果表明,与同等环境下基于CPU实现的方法相比,基于GPU加速的车辆检测及跟踪具有更好的性能,满足应用中的实时需求,达到了预期研究目标,具有很高的应用价值。