【发布时间】：2014-12-14 17:44:33
【问题描述】：
我正在尝试优化我的 Harris 角点检测器，以使其足够快，以进行最终将用于 SLAM 应用程序的实时特征提取。
传统的哈里斯角检测器遵循以下步骤：
- 使用图像卷积核（k_dx 和 k_dy）计算图像导数（梯度）Ix 和 Iy。
- 计算二阶导数 Ixx = Ix^2、Iyy = Iy^2 和 Ixy = Ix*Iy。
- 使用高斯核 (k_gaussian) 过滤步骤 2 中的三个二阶导数。
- 使用文献中所述的公式计算 Harris 响应。
到目前为止一切顺利。我已经实施了上述步骤并有一个工作程序。但是我们知道卷积是一个交换代数，这意味着：
- f#g=g#f
- f#(g#h)=(f#g)#h
- f # (g + h) = (f # g) + (f # h)
- 常数 * (f # g) = (常数 * f) # g
其中 (#) 是卷积运算。
所以本质上我们可以组合各种内核以减少计算时间。
我希望利用这一点将步骤（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，因为：
[(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，还是根本不可能？如果不可能，那么有没有办法计算出近似真实答案的组合内核。即使它的近似值很差，降低计算成本也可能是值得的。
如果您想知道，我已经在使用 CUDA 在 GPU 上执行图像卷积，并且角点检测器已经相当快了。但我需要进一步改进它，以便为剩余的 SLAM 算法分配更大的时间范围。
【问题讨论】：
-
已经有了很好的答案。我想到了两件事：(a) 选择一个针对 GPU/CUDA 优化的特征检测器。 (b) 过早优化。如果拐角检测器很快，如果你将速度加倍，你将获得多少？听起来它可能会从 5% 的时间变为 2.5% 的时间......
标签： algorithm computer-vision convolution corner-detection