基于GPU加速的计算机视觉编程 使用OpenCV和CUDA实时处理复杂图像数据

前言
作者简介
审稿人简介
第1章CUDA介绍及入门 1
1.1技术要求 1
1.2CUDA介绍 1
1.2.1并行处理 2
1.2.2GPU架构和CUDA介绍 2
1.2.3CUDA架构 3
1.3CUDA应用程序 4
1.4CUDA开发环境 5
1.4.1支持CUDA的GPU 5
1.4.2CUDA开发工具包 6
1.5在所有操作系统上安装CUDA工具包 6
1.5.1Windows 6
1.5.2Linux 7
1.5.3Mac 8
1.6一个基本的CUDA C程序 9
1.6.1在Windows上创建CUDA C程序的步骤 10
1.6.2在Ubuntu上创建CUDA C程序的步骤 10
1.7总结 11
1.8测验题 11
第2章使用CUDA C进行并行编程 12
2.1技术要求 12
2.2CUDA程序结构 13
2.2.1CUDA C中的双变量加法程序 13
2.2.2内核调用 14
2.2.3配置内核参数 15
2.2.4CUDA API函数 16
2.2.5将参数传递给CUDA函数 17
2.3在设备上执行线程 19
2.4在CUDA程序中获取GPU设备属性 20
2.4.1通用设备信息 21
2.4.2内存相关属性 22
2.4.3线程相关属性 22
2.5CUDA中的向量运算 24
2.5.1两个向量加法程序 24
2.5.2对比CPU代码和GPU代码的延迟 27
2.5.3对向量的每个元素进行平方 28
2.6并行通信模式 29
2.6.1映射 29
2.6.2收集 29
2.6.3分散式 30
2.6.4蒙板 30
2.6.5转置 30
2.7总结 30
2.8测验题 31
第3章线程、同步和存储器 32
3.1技术要求 32
3.2线程 33
3.3存储器架构 36
3.3.1全局内存 37
3.3.2本地内存和寄存器堆 38
3.3.3高速缓冲存储器 39
3.4线程同步 39
3.4.1共享内存 39
3.4.2原子操作 42
3.5常量内存 46
3.6纹理内存 48
3.7向量点乘和矩阵乘法实例 50
3.7.1向量点乘 50
3.7.2矩阵乘法 54
3.8总结 58
3.9测验题 58
第4章CUDA中的高级概念 60
4.1技术要求 60
4.2测量CUDA程序的性能 61
4.2.1CUDA事件 61
4.2.2NVIDIA Visual Profiler 63
4.3CUDA中的错误处理 64
4.3.1从代码中进行错误处理 65
4.3.2调试工具 66
4.4CUDA程序性能的提升 66
4.4.1使用适当的块数量和线程数量 66
4.4.2优选化数学运算效率 67
4.4.3使用合并的或跨步式的访存 67
4.4.4避免warp内分支 67
4.4.5使用锁定页面的内存 68
4.5CUDA流 69
4.6使用CUDA加速排序算法 73
4.7利用CUDA进行图像处理 75
4.8总结 80
4.9测验题 81
第5章支持CUDA的OpenCV入门 82
5.1技术要求 82
5.2图像处理和计算机视觉简介 83
5.3OpenCV简介 83
5.4安装支持CUDA的OpenCV 84
5.4.1在Windows上安装OpenCV 84
5.4.2在Linux上安装OpenCV 89
5.5使用OpenCV处理图像 92
5.5.1OpenCV中的图像表示 92
5.5.2图像的读取和显示 93
5.5.3使用OpenCV创建图像 96
5.5.4将图像保存到文件 99
5.6使用OpenCV处理视频 99
5.6.1处理存储在计算机上的视频 100
5.6.2处理从网络摄像机读取的视频 101
5.6.3将视频保存到磁盘 102
5.7使用OpenCV CUDA模块的基本计算机视觉应用程序 104
5.7.1OpenCV CUDA模块简介 104
5.7.2对图像的算术和逻辑运算 104
5.7.3更改图像的颜色空间 108
5.7.4图像阈值处理 109
5.8OpenCV应用程序使用和不使用CUDA支持的性能比较 110
5.9总结 113
5.10测验题 114
第6章使用OpenCV和CUDA进行基本的计算机视觉操作 115
6.1技术要求 115
6.2访问图像的各个像素强度 116
6.3OpenCV中直方图的计算和均衡 117
6.4图像的几何变换 120
6.4.1图像大小调整 120
6.4.2图像平移与旋转 121
6.5对图像进行滤波操作 122
6.5.1对图像的卷积运算 122
6.5.2对图像进行低通滤波操作 123
6.5.3对图像进行高通滤波操作 128
6.6图像的形态学操作 131
6.7总结 134
6.8测验题 134
第7章使用OpenCV和CUDA进行对象检测和跟踪 135
7.1技术要求 135
7.2对象检测和跟踪简介 136
7.2.1对象检测和跟踪的应用 136
7.2.2对象检测中的挑战 136
7.3基于颜色的对象检测和跟踪 136
7.4基于形状的对象检测和跟踪 139
7.4.1Canny边缘检测 139
7.4.2使用Hough变换进行直线检测 140
7.4.3对圆形进行检测 143
7.5关键点检测器和描述符 144
7.5.1加速段测试特征功能检测器 144
7.5.2面向FAST和旋转BRIEF的特征检测 145
7.5.3加速强特征检测和匹配 147
7.6使用Haar级联的对象检测 150
7.6.1使用Haar级联进行人脸检测 151
7.6.2使用Haar级联进行眼睛检测 153
7.7使用背景减法进行对象跟踪 155
7.7.1高斯混合法 155
7.7.2GMG背景减法 157
7.8总结 159
7.9测验题 160
第8章Jetson TX1开发套件 161
8.1技术要求 161
8.2Jetson TX1简介 161
8.2.1Jetson TX1的重要特性 163
8.2.2Jetson TX1的应用 163
8.3在Jetson TX1上安装JetPack 163
8.3.1安装的基本要求 164
8.3.2安装的步骤 164
8.4总结 171
8.5测验题 171
第9章在Jetson TX1上部署计算机视觉应用程序 172
9.1技术要求 172
9.2Jetson TX1 GPU的设备属性 173
9.3Jetson TX1上的基本CUDA程序 174
9.4Jetson TX1上的图像处理 176
9.4.1编译支持CUDA的OpenCV 176
9.4.2读取和显示图像 178
9.4.3图像合成 178
9.4.4图像阈值处理 180
9.4.5Jetson TX1上的图像滤波 182
9.5Jetson TX1的摄像机接口 184
9.6Jetson TX1上的高级应用程序 185
9.6.1使用Haar级联进行人脸检测 185
9.6.2使用Haar级联进行眼睛检测 187
9.6.3高斯混合背景减法 188
9.7在Jetson TX1上使用Python和OpenCV实现计算机视觉 191
9.8总结 192
9.9测验题 193
第10章PyCUDA入门 194
10.1技术要求 194
10.2Python编程语言简介 194
10.3PyCUDA模块简介 195
10.4在Windows上安装PyCUDA 196
10.5在Ubuntu上安装PyCUDA 199
10.6总结 201
10.7测验题 201
第11章使用PyCUDA 202
11.1技术要求 202
11.2编写第一个PyCUDA程序 203
11.3从PyCUDA程序访问GPU设备属性 204
11.4在PyCUDA中执行线程和块 206
11.5PyCUDA中的基本编程概念 206
11.5.1在PyCUDA中两个数字相加 207
11.5.2使用driver类简化加法程序 208
11.6使用CUDA事件测量PyCUDA程序的性能 209
11.6.1CUDA事件 209
11.6.2使用大型数组加法测量PyCUDA的性能 210
11.7PyCUDA中的复杂程序 212
11.7.1对PyCUDA中的矩阵元素进行平方运算 212
11.7.2GPU数组点乘 215
11.7.3矩阵乘法 217
11.8PyCUDA的高级内核函数 219
11.8.1PyCUDA的元素级内核函数 219
11.8.2归约内核函数 220
11.8.3scan内核函数 221
11.9总结 222
11.10测验题 223
第12章使用PyCUDA的基本计算机视觉应用程序 224
12.1技术要求 224
12.2PyCUDA中的直方图计算 224
12.2.1使用原子操作 225
12.2.2使用共享内存 227
12.3使用PyCUDA进行基本的计算机视觉操作 229
12.3.1PyCUDA中的颜色空间转换 230
12.3.2在PyCUDA执行图像合成 233
12.3.3在PyCUDA中使用gpuarray进行图像反转 234
12.4总结 235
12.5测验题 235
测验题答案 236