视频图像处理与性能优化

本书作为一本视频图像处理算法与性能优化方法的学术专著，既反映了相关领域近年来的新研究进展，又给出了作者在视频图像处理技术方面的研究成果与应用实例。全书共分为9章，包括绪论、视频图像处理在智能驾驶中的应用、GPU体系架构、CUDA与OpenCL编程模型、异构计算与性能优化方法、Canny边缘检测算法优化、人脸检测算法优化、异构平台激光雷达算法优化、性能与功耗等内容。本书可供从事计算机应用、视频图像处理、并行算法及并行软件的设计与开发、智能驾驶等领域的研究人员、工程技术人员阅读。

序
前言
第1章绪论
1.1视频图像处理
1.1.1概述
1.1.2视频图像处理发展与应用
1.1.3视频图像处理算法关键技术
1.2视频图像处理在智能驾驶领域的应用
1.2.1概述
1.2.2视频图像处理在智能驾驶领域的应用与发展
1.2.3视频图像处理在智能驾驶领域的关键技术
1.3异构平台与GPU架构
1.3.1概述
1.3.2GPU体系架构
1.3.3GPU编程模型
1.4GPU性能加速优化方法
1.4.1访存优化
1.4.2计算优化
1.4.3数据本地化
第2章视频图像处理在智能驾驶中的应用
2.1引言
2.1.1国外研究现状
2.1.2**研究现状
2.2车道线的提取和跟踪
2.2.1道路图像预处理方法
2.2.2边缘检测
2.2.3基于Hough变换的车道线检测
2.3交通标志牌的检测和识别
2.3.1交通标志简介
2.3.2交通标志识别简介
2.3.3交通标志牌检测
2.3.4基于SVM的交通标志牌检测
2.3.5交通标志的识别
2.3.6基于SVM的交通标志牌的识别
2.4交通信号灯的检测
2.4.1颜色分割
2.4.2基于颜色和形状的交通信号灯检测识别
2.5智能车其他视频图像处理
2.5.1基于SVM的行人检测
2.5.2SVM与深度学习
2.6本章小结
第3章GPU体系架构
3.1GPU与CPU架构的区别
3.2当前主流GPU体系架构
3.2.1NVIDIAGPU架构
3.2.2AMDGPU架构
3.2.3两种架构的异同
3.3本章小结
第4章CUDA与OpenCL编程模型
4.1CUDA编程模型
4.20penCL编程模型
4.3CUDA和OpenCL编程流程
4.3.1CUDA向量相加程序编写过程
4.3.20penCL向量相加程序编写过程
4.4GPU程序性能优化分析
4.5本章小结
第5章异构计算与性能优化方法
5.1视频图像处理算法
5.2访存优化方法
5.2.1CPU与GPU之间的传输优化
5.2.2globalmemory的合并访问
5.2.3sharedmemory
5.2.4寄存器
5.3矩阵转置算法
5.3.1算法简介及分析
5.3.2并行性分析
5.3.3矩阵转置算法优化
5.3.4性能分析
5.4规约算法
5.4.1算法简介及分析
5.4.2并行性分析
5.4.3规约算法优化
5.4.4性能分析
5.5resize算法
5.5.1算法简介及分析
5.5.2并行性分析
5.5.3resize算法优化
5.5.4性能分析
5.6Laplace算法
5.6.1算法简介及分析
5.6.2并行性分析
5.6.3Laplace算法优化
5.6.4性能分析
5.7本章小结
第6章Cannv边缘检测算法优化
6.1引言
6.1.1边缘检测相关概述
6.1.2视频图像处理问题及方法
6.2国内外研究现状
6.3Canny边缘检测算法简介
6.4并行性分析及GPU实现
6.4.1并行性分析
6.4.2基于NVIDIATegra.K1的GPU实现与分析
6.5优化策略分析
6.5.1向量化访存
6.5.2数据本地化
6.5.3条件分支优化
6.6Canny边缘检测算法优化过程与实验结果分析
6.6.1灰度化算法
6.6.2滤波及计算梯度幅值算法
6.6.3非极大值抑制算法
6.6.4递归确定边缘算法
6.6.5Canny及边缘检测算法
6.7本章小结
第7章人脸检测算法优化
7.1引言
7.2人脸检测算法
7.2.1GPU架构
7.2.2Viola-Jones人脸检测算法
7.3人脸检测算法的GPU实现与优化
7.3.1并行性分析
7.3.2NaYve实现与负载不均衡
7.3.3GPU优化
7.4性能评估
7.4.1实验平台
7.4.2正确性验证
7.4.3性能分析
7.5本章小结
第8章异构平台激光雷达算法优化
8.1引言
8.1.1国外研究现状
8.1.2国内研究现状
8.2车载激光雷达
8.2.1激光雷达目标检测
8.2.2激光雷达环境感知
8.2.3激光雷达的优势
8.2.4Velodyne三维激光雷达
8.3激光雷达数据处理算法
8.3.1激光雷达数据获取及解包
8.3.2激光雷达识别障碍物
8.3.3用Hough变换进行路边检测
8.4激光雷达数据处理算法优化
8.4.1栅格投影优化
8.4.2数据传输优化
8.4.3栅格处理优化
8.4.4性能评估
8.5本章小结
第9章性能与能耗的权衡
9.1引言
9.2能效评价指标
9.3各层次能耗优化策略
9.4系统级能耗优化技术
9.5本章小结
参考文献

智能驾驶是当前一个主要的研究热点，视频图像处理技术在智能驾驶领域有着广泛应用，如车道线检测、障碍物识别、红绿灯识别和交通标志牌识别等。视频图像实时处理技术是智能驾驶领域的重要研究内容，也是智能驾驶安全的重要保证。随着ＧＰＧＰＵ计算的发展，特别是ＮＶＩＤＩＡＴｅｇｒａ高性能ＧＰＵ计算平台的推出，通过高性能计算技术实现视频图像的实时处理，成为当前重要的研究热点和发展趋势。 ＧＰＧＰＵ的出现和发展，给并行计算带来了新的计算平台。新计算平台需要新方法来进行并行软件开发。ＧＰＵ编程的重点在于性能优化，经过细致调优的ＧＰＵ程序可实现巨大的性能提升。然而，ＧＰＵ编程的难点也在于性能优化，并行程序开发人员不仅要熟悉算法特征，还必须要了解底层硬件架构特征，这就对ＧＰＵ并行程序开发人员提出了新的挑战。 近年来，我们跟踪新计算平台上视频图像实时处理技术的最新进展并深入研究，试图从算法和硬件架构两方面来迎接这种挑战，书中不仅介绍了在智能驾驶中广泛应用的视频图像处理算法，而且介绍了多种不同的ＧＰＵ架构，在此基础上，分析了ＧＰＵ编程和优化的主要思路和方法，不仅能针对各种独立的优化方法，更重要的是能针对各种优化方法组合的情况。研究过程中得到了国家自然科学基金重大研究计划项目、北京市属高等学校高层次人才引进与培养计划项目、北京市教育委员会科技计划面上项目的资助，成果已用到北京联合大学智能车上。 本书作为视频图像处理技术理论研究和应用的一本学术专著，参考了国内外大量的相关文献，总结了我们近几年来的研究成果，并提供了大量的实际案例，通过实际案例的实现和解析，为读者提供一个视频图像处理算法在ＧＰＵ上实现和优化的具体思路和方法。读者通过本书的阅读和学习，不仅可以学习视频图像处理技术在智能驾驶中的应用，而且可以了解ＧＰＵ程序从实现到优化的具体方法。虽然本书实际案例的实现都是基于ＣＵＤＡ，但是本书也比较了ＣＵＤＡ和ＯｐｅｎＣＬ的异同，本书描述的优化方法也可以非常方便地移植到ＯｐｅｎＣＬ程序的编写和优化中。 本书可以分成如下四个逻辑单元： 视频图像处理技术在智能驾驶中的应用：第２章在分析了当前国内外主●●●●● 视频图像处理与性能优化Ⅵ  流的智能驾驶技术后，详细介绍了在智能驾驶中应用广泛的几类视频图像处理算法，包括：车道线的提取和跟踪技术、交通标志牌的检测和识别技术、交通信号灯的检测与识别技术等。 ＧＰＵ硬件架构与编程：第３章介绍了ＣＰＵ与ＧＰＵ架构的主要区别，在此基础上，对当前主流的ＧＰＵ架构特征（包括ＮＶＩＤＡＧＰＵ和ＡＭＤＧＰＵ） 进行了详细介绍，这是进行ＧＰＵ并行编程和优化的前提。第４章介绍了当前ＧＰＵ主要的编程模型：ＣＵＤＡ和ＯｐｅｎＣＬ，不仅介绍了这两种编程模型的关键概念和定义、两种编程模型的异同；而且通过一个简单的例子介绍了使用这两种编程模型进行ＧＰＵ编程的主要流程和方法，最后给出了ＧＰＵ程序性能优化的主要思路。 实际案例分析：第５章介绍了矩阵转置、规约算法、ｒｅｓｉｚｅ算法和Ｌａｐｌａｃｅ算法等主要的视频图像处理算子在ＧＰＵ上的实现和优化方法，结合具体算法详细分析了ＧＰＵ编程和优化思路和方法。最后第６～８章分别给出了Ｃａｎｎｙ、人脸检测以及激光雷达算法等具体实际应用案例的ＧＰＵ移植和优化方法。 性能与能耗：第９章从能效评价指标、各层次能耗优化策略以及系统级能耗优化技术三个方面介绍了在高性能计算以及智能驾驶中对性能与能耗的权衡。 本书由梁军、贾海鹏著，其中肖琳、胡正坤、梁爱华、许武、李威、王晶、魏秋明和李志豪参与了本书的编辑整理工作。在本书编写、出版的过程中，得到了鲍泓教授主持的国家自然科学基金重大研究计划项目（９１４２０２０２）的资助，同时，也参考了国内外大量的论文和专著，在此一并表示感谢。 由于时间仓促，书中难免会出现错误和不妥之处，恳请广大读者不吝批评指正。 梁  军贾海鹏