2
我试图优化我的哈里斯角点检测器，以使其足够快速，以便最终用于SLAM应用程序的实时特征提取。优化哈里斯角点检测器
传统的Harris角点检测步骤如下：
- 计算图像导数（梯度）Ix和Iy使用图像卷积核（k_dx和k_dy）。
- 计算二阶导数Ixx = Ix^2，Iyy = Iy^2和Ixy = Ix * Iy。
- 使用高斯内核对来自步骤2的三个二阶导数进行滤波（k_gaussian）。
- 使用文献中所述的公式计算Harris响应。
到目前为止好。我已经实现了上述步骤并且有一个工作程序。但是，我们知道，卷积是一个交换代数，这意味着：
- F＃G =克·F
- F＃（克＃H）=（F＃克）＃ħ
- F＃（ G + H）=（F＃G）+（F＃1H）
- 常数*（F＃克）=（常数* F）＃克
其中（＃）是卷积运算。
所以实质上我们可以结合各种内核来减少计算时间。
我希望能够利用这个优势将步骤（1）中使用的图像梯度内核与步骤（3）中使用的高斯内核相结合，以减少计算时间。不幸的是步骤（2）阻止我这样做，如：
[（IM＃k_dx）^ 2]＃k_gaussian =！ （IM＃k_dx＃k_gaussian）^ 2
其中IM是图像。所以这两个内核不能合并。
我的问题：有没有办法做到这一点，或者它根本不可能？如果不可能，那么有没有一种方法可以计算出一个组合内核，即近似于的真实答案。即使它很差近似值，也可能会降低计算成本。
如果您想知道，我已经在使用CUDA在GPU上执行图像卷积并且角落探测器已经相当快。但我需要进一步改进以便为剩余的SLAM算法分配更大的时间范围。
已经有一个很好的答案。有两件事情需要注意：（a）选择一个针对GPU/CUDA优化的特征检测器。 （b）过早优化。如果角落探测器速度很快，如果将速度加倍，您将获得多少收益？听起来它可能会从5％的时间移动到2.5％的时间...... – Unapiedra 2014-10-20 15:57:49