informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-255Research ArticleОБРАБОТКА СИГНАЛОВ, ИЗОБРАЖЕНИЙ, РЕЧИ, ТЕКСТА И РАСПОЗНАВАНИЕ ОБРАЗОВSIGNAL, IMAGE, SPEECH, TEXT PROCESSING AND PATTERN RECOGNITIONПАРАЛЛЕЛЬНАЯ ВЕРСИЯ ДЕТЕКТОРА ЭКСТРЕМАЛЬНЫХ ОСОБЫХ ТОЧЕК ИЗОБРАЖЕНИЙPARALLEL VERSION OF DETECTOR OF EXTREMAL KEY POINTS ON IMAGESЗалесскийБ. А.ZaleskyB. A.

доктор физикоматематических наук, заведующий лабораторией обработки и распознавания изображений

Dr. Sc. (Physics and Mathematics), Head of Laboratory of Image Processing and Recognition

zalesky@newman.bas-net.byТроцкийФ. С.TrotskiPh. S.

младший научный сотрудник

Junior researcher

trotskiphilipp@gmail.comОбъединенный институт проблем информатики Национальной академии наук Беларуси, МинскThe United Institute of Informatics Problems of the National Academy of Sciences of Belarus, Minsk2018160620181525563Copyright © Залесский Б.А., Троцкий Ф.С., 20182018Залесский Б.А., Троцкий Ф.С.Zalesky B.A., Trotski P.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/255

Рассматривается параллельная версия детектора особых (ключевых, характерных) точекэкстремумов, применяемых для описания, анализа и сравнения изображений с помощью локальных дескрипторов, которые вычисляются в окрестностях найденных точек. Для задания ориентации дескрипторов предлагается использовать локальные гистограммы ориентированного градиента. В версии, предназначенной для выполнения на программно-аппаратной архитектуре CUDA, учтена специфика графических процессоров фирмы NVIDIA, что позволило ускорить вычисление экстремальных особых точек на несколько порядков. Вычисление неориентированных экстремальных особых точек изображения FullHD-размера на бюджетной видеокарте занимает 5–6 мс, ориентированных – 11–12 мс.

The article presents a parallel version of the detector of extremal key points, which are used to describe, analyze and compare digital images by local descriptors. Local descriptors are determined in neighborhoods of the extremal key points. The orientation of the descriptors are found with aid of Histograms of Oriented Gradient. The specificity of the parallel architecture of NVIDIA graphics cards has been taken into account in the developed version, oriented to the implementation on CUDA. It accelerated the calculation of the extremal key points by several orders. Computation of the not oriented extremal key points for images of the FullHD-size on the budget graphics card takes 5–6 ms. The oriented extremal key points are computed within 11–12 ms.

изображенияособые точкидетекторалгоритмпараллельная версиялокальный дескрипторCUDAimageskey pointsdetectoralgorithmparallel versionlocal descriptorCUDAReferencesLowe, D. Object recognition from local scale invariant features / D. Lowe // Proc. of the 7th IEEE Intern. Conf. on Computer Vision (ICCV). – Corfu, 1999. – P. 1150–1157.Lowe D. Object recognition from local scale invariant features. Proceedings of the 7th IEEE International Conference on Computer Vision (ICCV). Corfu, 1999, pp. 1150–1157.Dalah, N. Histograms of oriented gradients for human detection / N. Dalah, B. Triggs // Proc. of the IEEE Computer Society Conf. on Computer Vision and Pattern Recognition (CVPR 2005). – San Diego, 2005. – Vol. 1. – P. 886–893.Dalah N., Triggs B. Histograms of oriented gradients for human detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2005). San Diego, 2005, vol. 1, pp. 886–893.Bay, H. SURF: speeded up robust features / H. Bay, T. Tuytelaars, L. Van Gool // Proc. of the 9th European Conf. on Computer Vision (ECCV). – Austria, Graz, 2006. – Vol. 3951, pt. 1. – P. 404–417.Bay H., Tuytelaars T., Van Gool L. SURF: speeded up robust features. Proceedings of the 9th European Conference on Computer Vision (ECCV). Austria, Graz, 2006, vol. 3951, pt. 1, pр. 404–417.Rosten, E. Faster and better: a machine learning approach to corner detection / E. Rosten, T. Drummond // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2010. – Vol. 32, no. 1. – P. 105–119.Rosten E., Drummond T. Faster and better: a machine learning approach to corner detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, vol. 32, no. 1, pp. 105–119.Agrawal, M. CenSurE: center surround extremas for realtime feature detection and matching / M. Agrawal, K. Konolige, M. R. Blas // Lecture Notes in Computer Science. – 2008. – Vol. 5305. – P. 102–115.Agrawal M., Konolige K., Blas M. R. CenSurE: center surround extremas for realtime feature detection and matching. Lecture Notes in Computer Science, 2008, vol. 5305, pp. 102–115.Leutenegger, S. BRISK: binary robust invariant scalable keypoints / S. Leutenegger, M. Chli, R. Y. Siegwart // Proc. of the 13th IEEE Intern. Conf. on Computer Vision (ICCV). – Barcelona, 2011. – P. 2548–2555.Leutenegger S., Chli M., Siegwart R. Y. BRISK: binary robust invariant scalable keypoints. Proceedings of the 13th IEEE International Conference on Computer Vision (ICCV). Barcelona, 2011, pp. 2548–2555.Alcantarilla, P. KAZE features / P. Alcantarilla, A. Bartoli, J. Davison // Proc. of the 12th European Conf. on Computer Vision (ECCV). – Firenze, 2012. – P. 214–227.Alcantarilla P., Bartoli A., Davison J. KAZE features. Proceedings of the 12th European Conference on Computer Vision (ECCV). Firenze, 2012, pp. 214–227.Alcantarilla, P. Fast explicit diffusion for accelerated features in nonlinear scale spaces / P. Alcantarilla, J. Nuevo, A. Bartoli // Proc. of the 24th British Machine Vision Conf. (BMVC). – Bristol, 2013. – P. 11–21.Alcantarilla P., Nuevo J., Bartoli A. Fast explicit diffusion for accelerated features in nonlinear scale spaces. Proceedings of the 24th British Machine Vision Conference (BMVC). Bristol, 2013, р. 11–21. doi: 10.5244/C.27.13Comparative assessment of point feature detectors and descriptors in the context of robot navigation / A. Schmidt [et al.] // J. of Automation, Mobile Robotics and Intelligent Systems. – 2013. – Vol. 7, no. 1. – P. 11–20.Schmidt A., Kraft M., Fularz M., Domagała Z. Comparative assessment of point feature detectors and descriptors in the context of robot navigation. Journal of Automation, Mobile Robotics and Intelligent Systems, 2013, vol. 7, no. 1, pp. 11–20.Levi, G. Learned arrangements of three patch codes / G. Levi, T. Hassner // IEEE Winter Conf. on Applications of Computer Vision (WACV). – NY, USA, 2016. – P. 33–42.Levi G., Hassner T. Learned arrangements of three patch codes. IEEE Winter Conference on Applications of Computer Vision (WACV), NY, USA, March, 2016, р. 33–42. doi: 10.1109/WACV.2016.7477723Залесский, Б. А. Детекторы экстремальных особых точек на изображениях / Б.А. Залесский // Доклады Национальной академии наук Беларуси. – 2017. – № 5(61). – С. 37–41.Zalesskiy B. A. Detektoryi ekstremalnyih osobyih tochek na izobrazheniyah [Detectors of exteremal key points on images]. Dokladyi Natsionalnoy akademii nauk Belarusi [Reports of the National Academy of Sciences of Belarus], 2017, no. 5(61), pp. 37–41 (in Russian).Сандерс, Д. Технология CUDA в примерах: введение в программирование графических процессоров / Д. Сандерс, Э. Кэндрот. – М. : ДМК Пресс, 2013. – 234 c.Sanders D., Kendrot E. Tehnologiya CUDA v primerah: vvedenie v programmirovanie graficheskih protsessorov. CUDA by Example: An Introduction to General-Purpose GPU Programming. Moscow, DMK Press Publ., 2013, 234 p. (in Russian).

The authors declare that there are no conflicts of interest present.