基于OpenCL的多標靶加速定位方法

關鍵詞：標靶定位;OpenCL;迭代最近點;GPU

中圖分類號：TP391 文獻標志碼：A

0 引言（Introduction）

平面標靶即人工標志物，在三維重建點云拼接[1]及大型建筑監測中發揮了重要的作用[2-3]。將平面標靶安置于基坑、堤壩、隧道等表面，并利用相機監控平面標靶的位置，可有效實現預警預測功能。

國內外學者使用的標靶定位方法有許多，高超等[4]使用最小二乘法將圓形標靶輪廓擬合成橢圓形，并通過相關幾何變換進行定位，該方法在2 m拍攝距離下能達到0.1 mm的測量精度。何華等[5]針對激光掃描儀圓形平面標靶，首先，擬合標靶的最佳平面，其次，利用凸包算法提取標靶邊緣點，最后，使用抗差最小二乘法求解標靶的中心坐標，中心定位精度達到0.4 mm。OLASZEK[6]通過圖像梯度檢測“十”字形標靶的邊緣，計算邊緣坐標的算術平均值，并將其作為目標位置，校正后的平均誤差為0.4 pixel。RIBEIRO等[7]通過亮度閾值檢測正方形標靶的邊緣并計算交點的坐標，精度約為0.7 pixel。

針對現有的標靶定位方法精度不高、效率較慢及同時定位數量少的問題，本文提出一種基于OpenCL的多標靶加速定位方法，使用邊緣檢測方法獲得當前圖像中標靶的二維邊緣點集;使用已知現實標靶參數建立模板點集;使用二維ICP迭代尋找模板邊緣點集與當前邊緣點集的最近點;使用OpenCL框架并行計算，修改迭代停止條件，以減少迭代次數并加快收斂速度，實現多標靶實時定位。

1 標靶中心定位（Target center positioning algorithm）

本文使用的標靶參數如圖1所示，標靶定位方法流程如圖2所示，包括圖像預處理、邊緣檢測、邊緣點云預處理等。

1.1 圖像預處理及標靶邊緣檢測

工業相機采集到的標靶如圖3（a）所示。在實際圖像采集中，環境條件的變化常引入椒鹽噪聲、高斯噪聲等干擾。為了減少這些噪聲對邊緣檢測的不利影響，本文方法先使用中值濾波進行去噪，再使用Canny算子進行邊緣檢測，檢測結果如圖3（b）所示。

1.2ICP點云配準

迭代最近點（Iterative Closest Point，ICP）算法[8]是目前使用廣泛的點云配準算法之一，在三維重建、無人駕駛等領域得到廣泛運用。傳統的二維ICP算法大致如下：首先對輸入的目標點云構建二叉樹數據結構，進行兩幅點云之間的最近點尋找，對于待配準點云的每一個點，尋找出在目標點云中的最鄰近點，也就是歐氏距離最短的點;其次根據尋找出的鄰近點對求解最優變換，求得旋轉矩陣R 與平移矩陣T;最后將剛體變換矩陣作用于待配準點云，計算新的待配準點云與目標點云之間的誤差，若誤差滿足最終迭代停止條件，則輸出矩陣與變換后的待配準點云，否則繼續迭代，ICP算法流程如圖4所示。

ICP的本質是最小化兩幅點云之間的誤差，該誤差通常是每個點對之間的歐氏距離，也可以是別的誤差度量。ICP求解最優剛性變換的基本步驟如下。

1.3 基于ICP的標靶中心定位

在獲得當前圖像中的標靶邊緣后，為了定位標靶中心，需要根據現有的邊緣信息找到標靶的圓心。由于標靶是二維平面且理想情況下標靶與CCD（Charge-Coupled Device）相機靶面平行，所以使用預制的模板點云與當前獲得的標靶邊緣點云進行二維迭代最近點，得到的剛性變換矩陣，即可定位當前的標靶坐標。

1.3.1 點云預處理

在本文中，目標點云是通過工業相機拍攝標靶，然后使用亞像素邊緣檢測得到二維邊緣點云T，點云數量為n，點云坐標單位為像素。待配準點云為通過已知的標靶圖案幾何參數預制的模板點云S ，模板點云的外圓直徑為d，內圓半徑為r，點云數量為m，其中心點為原點，預制的二維模板點云圖如圖5所示。

2 基于OpenCL的ICP加速算法實現（Acceleratedimplementation of ICP based on OpenCL）

僅用CPU運算ICP算法定位標靶，隨著標靶數量的增多，計算時間隨之增加，從而無法滿足實時性處理的需求。圖形處理單元GPU、開放運算語言OpenCL、計算機視覺與計算機圖形學的發展，為處理大數據量的問題提供了通用、高性能的并行計算環境。與CUDA（Compute Unified Device Architecture）只能運行在英偉達圖形處理器（NVIDIA GPU ）上相比，OpenCL可以運行在包括NVIDIA（英偉達）、AMD（Advanced MicroDevices）、ARM（Arm Limited）的眾多硬件廠商生產的計算設備上，具有較高的可移植性。此外，OpenCL定義了豐富的API（Application Programming Interface），使開發者能高效利用異構計算資源，從而有效解決實時定位問題。通常，ICP之中搜尋最鄰近點對的算法有KD-tree（K-Dimension Tree）、VP-tree（Vantage Point Tree）等，KD-tree是其中應用較為廣泛的數據結構。但是，傳統的KD-tree存在無效節點搜索過多導致的查詢效率不穩定問題[9-10]，所以本文采用VP-tree搜尋最鄰近點算法代替傳統的KD-tree搜尋算法。

VP-Tree是一種用于支持度量空間中高效最近鄰搜索的數據結構，是一棵基于連續距離函數的二叉平衡樹[11]。VP-tree不僅對低維度、點數目較少的點集有很好的搜索性能，而且不依賴數據的分布形式，查詢性能比KD-tree更穩定，其基本思想是選擇一個優勢點，然后基于與該點的距離，將數據點集合分成兩部分，即距離參照點較近的點和距離參照點較遠的點。每個子集都可以用相同的方法遞歸地構建子樹，從而形成一個二叉樹。

2.3 GPU下的ICP算法

上文構造的VP-tree雖然能大大加快數據搜索的速度，但是通常情況下，點集中點的數量成千上萬，在CPU中搜尋速度非常緩慢。為了提高ICP的迭代搜尋速度，將兩組點集的去質心化、VP-tree的最鄰近搜索算法、點集矩陣變換、點集之間的歐氏距離計算等，都傳入GPU中并行計算，根據點集的大小，動態設置全局尺寸，以最快的速度完成點集變換及計算。

在傳統ICP算法中，初始矩陣起著關鍵作用，初始矩陣決定了迭代次數及配準精度[12]。一般情況下，初始矩陣通常設置為單位矩陣，在兩個點集距離較遠或者相似度不高的情況下，會嚴重影響配準速度及精度。因此，本文算法在傳統ICP算法的基礎上進行改進，由于在位移監控應用場景下的標靶位置大多數為線性變化或靜止狀態，將每次配準的剛性變換矩陣應用到下次配準的初始矩陣，對待配準點集進行粗配準，可以有效減少迭代次數。

此外，傳統的迭代停止條件為兩個點集的誤差小于某個閾值就停止迭代。由于檢測的標靶邊緣點集與人工預制的模板點集并非完美重合，該閾值在不同應用場景下并非通用，若閾值太大，配準精度將降低，若閾值太小，即使達到了最優配準位置，其誤差仍然高于這個很小的閾值，導致迭代無法停止。因此，將傳統的迭代停止條件改為此次迭代誤差與上次迭代誤差的差值小于某個閾值，改進后的算法將大幅降低迭代次數，減少計算時間，提高系統的實時性。

本文采用的GPU加速ICP算法流程如圖7所示，具體步驟如下。

（1）在CPU中建立關于目標點集Q（當前檢測點云）的VPtree，其中包含子節點和葉節點。

（2）將模板點集P、目標點集Q以及VP-tree的葉節點、子節點傳輸到GPU緩沖區中。

（3）使用OpenCL的API進行各種初始化操作，例如查詢平臺、創建上下文、創建命令隊列、創建內存對象等。

（4）根據數據集大小劃分點集數據，使其并行執行最鄰近點搜索算法（ICP）。

（5）ICP在GPU中的去質心化、VP-Tree的最鄰近搜索算法、點集矩陣變換、點集之間的歐氏距離計算皆由內核程序完成計算，減少GPU與CPU的傳輸耗時。

（6）完成迭代計算后，將最后的剛體變換矩陣與配準誤差輸出至CPU。

3 實驗分析（Experimental analysis）

為了驗證本文采用的多標靶定位方法，比較改進前后的標靶ICP定位算法效率，以及CPU和GPU環境下的標靶定位算法效率，本文通過設計不同的實驗驗證算法效率及本文算法的精度。實驗的系統環境為Ubuntu 22.04，硬件環境為四核64位CPU，采用4*Cortex-A76核心，主頻為2.4 GHz，GPU 為Mali-G610 MP4。相機為“海康”MV-CE200-10UC，2 000萬像素CMOS工業相機。實驗分別對1～20幅標靶進行算法效率測試，為了有效比較CPU和GPU環境下的標靶定位算法效率差異，在CPU使用多線程進行多幅標靶的并行計算。實驗的模板點集點數量為1 890個，檢測到的單個標靶邊緣點集點數量平均為1 800個，設置最大迭代次數為200次，此次迭代誤差與上次迭代誤差的差值閾值設置為1×10^-6，誤差閾值設置為1×10^-5。相機采集20個標靶圖像（圖8），測量距離約為1.4 m，單個標靶像素的半徑大約為4aAbHUB4onFzfxLB0cB+BFuMcBGmikhjiKJ0xiYskCs0=7 pixel，物理半徑為30 mm，像素當量約為0.63 mm/pixel。為了驗證本文算法的定位精度，采用千分位移臺對其中一個標靶進行X 方向的階梯型位移測試，位移臺的最小刻度為0.01 mm，精度為0.01 mm。

圖9為單個標靶定位的迭代耗時，在CPU和GPU中迭代70次分別需要耗時4 700 ms和360 ms，在GPU中迭代定位單個標靶時，使用OpenCL框架在GPU中的計算時間相較于CPU，大約減少了92%。優化后的ICP算法通過繼承先前時刻的剛性變換矩陣，減少了迭代計算時間，實現了連續的快速定位。圖10為不同標靶數量定位單次耗時，即4種算法進行單次標靶定位的計算時間，在GPU環境下，本文的改進算法有著明顯優勢。由表1可以看出，本文算法針對標靶數量小于3個且進行連續配準定位時，CPU 和GPU 的耗時相差無幾，這是因為在CPU環境中采用了多線程，同時CPU需要將數據傳輸至GPU，這個過程相對耗時。隨著標靶數量增加，傳統ICP定位算法中CPU耗時顯著增長，且與GPU的耗時差距逐漸擴大，凸顯出在處理大量標靶時，GPU的性能優勢更為顯著。使用改進后的ICP定位算法，耗時大幅降低，幾乎可以達到實時定位。

為了驗證算法的精度，對其中固定在位移臺上的標靶進行位移跟蹤檢測，將第一幀定位得到的位置設為初始值，后續的定位位置都減去初始值。使用千分位移臺對此標靶進行X 方向的階梯型位移，在91 s、199 s、318 s處施加X 正方向的0.1 mm位移，在407 s、513 s、602 s處施加X 負方向的0.1 mm位移，測量結果如圖11所示。經計算，平均絕對誤差約為0.026 1 mm，定位精度約為0.05 mm，即0.081 9 pixel。

綜上所述，改進的ICP算法在GPU上相較于CPU在處理多個標靶時具有顯著的時間效率優勢，尤其是在標靶數量較多時。在GPU中連續定位20個標靶僅需要1.2 s左右一次，算法的首次定位耗時僅為CPU中的19%，后續連續定位時間也展現出顯著的時間優勢，并且定位精度可以滿足系統定位要求。

4 結論（Conclusion）

本文提出一種基于OpenCL的多標靶加速定位方法，使用ICP尋找最優配準位置，定位最佳標靶中心。相較于通過幾何形狀進行標靶定位的傳統算法，本文算法更精確且具有魯棒性。本文在定位方法的實現上進行了改進，采用VP-tree的數據結構，使用OpenCL框架并行計算，并且使下一時刻的邊緣點云繼承上一時刻的剛性變換矩陣，改進了迭代停止條件。與傳統ICP實現算法相比，減少了迭代次數并加快了收斂速度，在一定程度上提高了算法效率及精度，滿足了一般應用場景的實時性需求。但是，本文算法中沒有考慮到噪聲邊緣點的干擾，沒有進行錯誤對應點去除，因此接下來需要對噪聲邊緣點處理進行改進，繼續完善ICP算法中的點云預處理，提升配準的魯棒性。

作者簡介：

王瑾瑜（1999-），男，碩士生。研究領域：機器視覺。

羅劍波（1975-），男，博士，講師。研究領域：光電精密檢測，激光直寫。