基于OpenCL的点云分割方法

doi:10.3778/j.issn.1002-8331.1607-0229

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (1): 191-195.DOI: 10.3778/j.issn.1002-8331.1607-0229

基于OpenCL的点云分割方法

范昱伶1，王美丽1，何东健2

1.西北农林科技大学信息工程学院，陕西杨凌 712100
2.西北农林科技大学机械与电子工程学院，陕西杨凌 712100

出版日期:2018-01-01 发布日期:2018-01-15

Method of point cloud segmentation based on OpenCL

FAN Yuling1, WANG Meili1, HE Dongjian2

1.College of Information Engineering, Northwest A&F University, Yangling, Shaanxi 712100, China
2.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling, Shaanxi 712100, China

Online:2018-01-01 Published:2018-01-15

摘要/Abstract

摘要： 点云分割是逆向工程中模型重建的关键技术之一，然而在求取点云特征时非常耗时，通过OpenCL异构计算对其进行性能加速有着重要的现实意义。以散乱无序的点云为研究对象，通过OpenCL对点云分割算法加以改进。算法主要分为并行计算点云数据的特征值，并行计算点云数据的法向量和曲率3个步骤。在计算中，根据GPU的并行结构和硬件特点，优化了数据存储结构，提高了数据访问效率，降低了算法复杂度。实验结果表明，算法充分利用了OpenCL的并行处理能力，运行效率是基于CPU实现的16倍。

关键词: OpenCL, 图形处理器（GPU）, 点云分割

Abstract: The segmentation of point cloud is one of the key technologies of reverse engineering reconstruction, however, the computation time of point cloud feature is heavy. So it is of significance to accelerate the algorithm by heterogeneous computing with OpenCL. This paper aims to segment unordered point cloud efficiently with OpenCL. The algorithm is mainly divided into three steps: compute parallel eigenvalues of point cloud data, compute parallel normal, and curvature computation of point cloud. In the process of calculation, the data storage structure, the efficiency of data access, and the complexity of the algorithm have been optimized and improved according to the GPU parallel architecture and hardware features. Experimental results show that the algorithm takes full advantage of the parallel processing capabilities of OpenCL, the running time is 16 times faster than implementation of the CPU.

Key words: OpenCL, Graphics Processing Unit（GPU）, point cloud segmentation

范昱伶1，王美丽1，何东健2. 基于OpenCL的点云分割方法[J]. 计算机工程与应用, 2018, 54(1): 191-195.

FAN Yuling1, WANG Meili1, HE Dongjian2. Method of point cloud segmentation based on OpenCL[J]. Computer Engineering and Applications, 2018, 54(1): 191-195.

[1]	杨捷，吴素萍. 点云重建的并行算法[J]. 计算机工程与应用, 2020, 56(6): 213-219.
[2]	于润泽，习俊通. 白车身复杂装配特征点云提取及参数计算[J]. 计算机工程与应用, 2020, 56(19): 244-251.
[3]	朱超，吴素萍. 特征点检测DoG并行算法[J]. 计算机工程与应用, 2020, 56(10): 36-43.
[4]	杨晓文，曹山海，韩燮. 基于边界特征的三维模型分割[J]. 计算机工程与应用, 2019, 55(4): 214-218.
[5]	杨琳，翟瑞芳，阳旭，彭辉，陶莎. 结合超体素和区域增长的植物器官点云分割[J]. 计算机工程与应用, 2019, 55(16): 197-203.
[6]	彭福来，于治楼，陈乃阔，耿士华，李凯一. 面向国产CPU的可重构计算系统设计及性能探究[J]. 计算机工程与应用, 2018, 54(23): 36-41.
[7]	刘高明1，2，荣葵2，朱辉1，谭怀亮2. 应用于嵌入式RTOS的图形显示系统设计[J]. 计算机工程与应用, 2016, 52(9): 190-195.
[8]	林敏，钟一文. 三种GPU并行的自适应邻域模拟退火算法[J]. 计算机工程与应用, 2015, 51(22): 70-76.
[9]	汪宏1，2，王鹏1，2. 基于GPU的AC模式匹配改进算法[J]. 计算机工程与应用, 2015, 51(18): 7-12.
[10]	曾博1，2，雷友诚1，王丛知2，邱维宝2，冯歌2，曾成志2，杨戈2，郑海荣2. 基于CUDA的声辐射力弹性成像算法研究[J]. 计算机工程与应用, 2015, 51(18): 249-254.
[11]	唐绍华. 面向众核GPU加速系统的网络编码并行化及优化[J]. 计算机工程与应用, 2014, 50(21): 79-84.
[12]	刘浩1，2，3,赵文吉1，2，3，段福洲1，2，3，曹巍4，潘李亮5. 基于GPU的地下管线三维可视化建模研究[J]. 计算机工程与应用, 2013, 49(18): 145-148.
[13]	匡小兰 1，欧新良2. 建筑物的着色点云平面区域分割研究[J]. 计算机工程与应用, 2012, 48(5): 194-197.
[14]	张健，焦良葆，陈瑞. CPU-GPU混合平台上动态场景光线跟踪的研究[J]. 计算机工程与应用, 2012, 48(21): 151-154.
[15]	厉旭杰. GPU加速的图像匹配技术[J]. 计算机工程与应用, 2012, 48(2): 173-176.

基于OpenCL的点云分割方法

Method of point cloud segmentation based on OpenCL

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics