研究团队提出嵌入式GPU定向FAST特征检测加速方法
相较于广泛使用的GPU版OpenCV，平均加速比超过7.3倍
（映维网Nweon 2025年10月23日）基于视觉的SLAM技术广泛应用于虚拟现实等领域，其核心是通过视觉图像检测特征点来构建未知环境地图并同时确定自身位置。这项技术通常对硬件功耗、处理速度和精度有着严格要求。当前基于ORB（定向FAST和旋转BRIEF）的SLAM系统在处理速度和鲁棒性方面表现出色，但仍无法满足移动平台实时处理需求。这主要是由于耗时的定向FAST计算约占整个SLAM系统一半处理时间。
在一项研究中，东京科学大学，大连理工大学，南京大学团队提出两种在低端嵌入式GPU上加速定向FAST特征检测的方法：通过二进制编码策略快速确定候选点，以及采用可分离哈里斯检测策略与底层GPU硬件指令优化最耗时的FAST特征点检测和哈里斯角点检测步骤。在Jetson TX2嵌入式GPU的实验表明，相较于广泛使用的GPU版OpenCV，平均加速比超过7.3倍，显著提升了移动资源受限环境下实时应用的潜力。
SLAM是一种构建未知环境地图并同时定位的算法。不同SLAM系统采用多种传感器模式，如声纳、激光雷达和摄像头。其中基于特征的视觉SLAM（VSLAM）因便捷性和成本效益而获得广泛研究。随着VSLAM发展，业界已提出包括SIFT、SURF、FAST、甚至基于学习方法在内的多种特征点提取方法。
当前主流SLAM系统多部署于移动应用，对实时性、计算资源和功耗有严格要求。尽管SIFT、SURF和基于学习的描述符能应对光照、尺度等图像变换因素并提取精确特征点，但计算开销大，往往无法满足SLAM系统性能需求。ORB（定向FAST和旋转BRIEF）作为轻量级特征描述方法，通过定向FAST（加速段测试特征）进行特征点检测，并通过旋转BRIEF（二进制鲁棒独立基本特征）进行特征描述，以牺牲部分精度和鲁棒性为代价提升计算速度，目前已成为SLAM系统主要特征点检测方法。
......（全文 3095 字，剩余 2455 字）
请微信扫码通过小程序阅读完整文章或者登入网站阅读完整文章
映维网会员可直接登入网站阅读
PICO员工可联系映维网免费获取权限
