点云重建的并行算法

doi:10.3778/j.issn.1002-8331.1812-0413

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (6): 213-219.DOI: 10.3778/j.issn.1002-8331.1812-0413

点云重建的并行算法

杨捷，吴素萍

1.宁夏大学民族预科教育学院，银川 750021
2.宁夏大学信息工程学院，银川 750021

出版日期:2020-03-15 发布日期:2020-03-13

Parallel Algorithm for Point Cloud Reconstruction

YANG Jie, WU Suping

1.Institute of Ethnic Preparatory Education, Ningxia University, Yinchuan 750021, China
2.School of Information Engineering, Ningxia University, Yinchuan 750021, China

Online:2020-03-15 Published:2020-03-13

摘要/Abstract

摘要：

在三维重建问题中，为了提高重建模型的精确度和完整性，需要增大三维重建的数据量，由此会增加重建的计算量和运行时间。针对该问题，对点云重建过程进行并行设计，降低耗时、提高三维重建的效率，提出在多核CPU、GPU架构和CPU/GPU异构环境下点云重建的并行算法，并在不同实验平台上对Kermit和hallFeng数据集进行了点云重建的并行实验。实验结果表明，相比于串行的点云重建算法，点云重建并行算法在保证重建精度的条件下，取得了较好的加速比，并且并行算法具有实验平台和数据规模的可扩展性。

关键词: 点云重建, 并行算法, 异构计算, 图形处理器（GPU）, 多核CPU

Abstract:

In order to improve the accuracy and completeness of the three-dimensional reconstruction model, it is necessary to increase the amount of data of three-dimensional reconstruction, which will increase the computation and running time of the reconstruction. In order to solve this problem, a point cloud reconstruction parallel process is designed to reduce the time-consuming and improve the efficiency of three-dimensional reconstruction. A parallel algorithm for point cloud reconstruction in multi-core CPU, GPU architecture and CPU/GPU heterogeneous environment is proposed, and Kermit and hallFeng data sets are reconstructed on different experimental platforms. The experimental results show that, compared with the serial point cloud reconstruction algorithm, the parallel algorithm of point cloud reconstruction achieves a better speedup under the condition of guaranteeing the reconstruction accuracy, and the parallel algorithm has the scalability of the experimental platform and data scale.

Key words: point cloud reconstruction, parallel algorithm, heterogeneous computing, Graphics Processing Unit（GPU）, multi-core CPU

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.

YANG Jie, WU Suping. Parallel Algorithm for Point Cloud Reconstruction[J]. Computer Engineering and Applications, 2020, 56(6): 213-219.

[1]	张宇，张延松. 向量分组聚集计算技术研究[J]. 计算机工程与应用, 2021, 57(11): 84-94.
[2]	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.
[3]	陈亚中1，李振军1，李荣华1，毛睿1，乔少杰2. TSCAN：利用并行策略改进的图结构聚类算法[J]. 计算机工程与应用, 2019, 55(1): 76-83.
[4]	王德政1，张益农1，杨帆2. 基于MapReduce的并行PLS过程监控算法实现[J]. 计算机工程与应用, 2018, 54(24): 61-65.
[5]	陈宇峰，张铂，李林. 基于多核CPU+GPU运算的电磁场高效体绘制算法研究[J]. 计算机工程与应用, 2018, 54(18): 218-222.
[6]	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.
[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]	孙劲光1，吴素红2. 基于空间分割与椭球包围盒的碰撞检测算法[J]. 计算机工程与应用, 2016, 52(4): 217-222.
[9]	喻津1，周浩杰2，柴志雷1. 一种基于众核架构的稠密光流并行计算方法[J]. 计算机工程与应用, 2016, 52(16): 186-191.
[10]	仲济源，梅魁志，温哲西. GIST特征提取的异构并发流计算实现[J]. 计算机工程与应用, 2015, 51(6): 139-144.
[11]	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.
[12]	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.
[13]	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.
[14]	李敏1，2，宋曰聪1，吴斌3，彭保3. 基于Beowulf机群中改进粒子滤波的3D人体运动跟踪[J]. 计算机工程与应用, 2015, 51(14): 17-22.
[15]	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.

点云重建的并行算法

Parallel Algorithm for Point Cloud Reconstruction

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