摘  要： 彩色局部角度二值模式（CLABP）可以有效地提取彩色图像中的纹理特征，但是算法复杂、计算量大。针对这一问题，采用GPU实现CLABP特征提取和表示的并行方法。该方法一方面使用异步处理的方式实现CLABP的并行加速，另一方面采用共享内存的形式减少读取数据的次数。为了验证该方法的有效性，在Outex纹理图像数据库上与CPU程序性能进行对比，结果表明，GPU实现方法可以提升加速比约25倍。

　　关键词： GPU；彩色局部角度二值模式；异步处理

　　局部纹理特征在图像分类和目标识别中得到广泛应用，是图像的重要特征之一。局部二值模式LBP（Local Binary Patterns）[1-2]具有良好的几何不变性、角度不变性和旋转不变性等适应性，在许多方法中得到了应用和推广[3-4]。然而LBP特征对图像光照变化敏感，针对这一问题，参考文献[5]提出了一种彩色局部角度二值模式CLABP（Color Local Angel Binary Patterns），通过提取不同信号通道之间的像素夹角，对不同光照变化下的彩色人脸图像进行分类，提高了不同光照变化条件下对人脸图像识别的准确率。但是对于大量的图像检索数据而言，CPU实现的CLABP纹理特征提取方法速度较慢，对图像检索性能产生很大影响。解决这一问题的方法是采用GPU对CLABP纹理特征提取方法进行编程，实现并行计算加速。近年来，已经有部分学者尝试使用GPU对各种图像方法进行编码[6-8]。

　　本文采用GPU对参考文献[5]中提出的CLABP实现并行化编程。首先将方法分解为GPU和CPU任务，然后对GPU实现部分进行核函数处理和共享内存设计，最后通过实验验证所提方法的有效性。实验结果表明，本文采用的GPU实现方法在Outex纹理图像数据库中能取得将近25倍的加速比。

1 彩色局部角度二值模式

　　参考文献[5]针对纹理特征对光照变化下识别率不高的问题，提出了彩色局部角度二值模式纹理特征。如图1所示，无论空间矢量的大小发生怎样的变化，它与各个通道的夹角始终没有发生变化。定义Y、Cb、Cr三信号模型中任意两个信号通道之间像素值的夹角为，定义空间矢量r与信号通道内投影与参光线夹角为?兹0，则根据CLABP纹理特征的定义，用旋转不变的uniform LBP对图中任意像素点z及其邻近像素点的彩色角度进行编码如下：

　　其中，s（x）是阶跃函数，H是对中心像素点周围P个像素点的比较结果。将所有的图像像素点用网格形式进行统计，最后用级联的形式将所有网格的CLABP纹理特征连成CLABP直方图，如式（2）所示：

2 CLABP纹理特征并行实现

　　CLABP纹理特征提取分为以下三个部分实现：

　　（1）用CPU将彩色图像分为Y、Cb、Cr颜色图像，然后将图像数据分别送入GPU显存；

　　（2）启动核函数计算Y、Cb、Cr颜色图像的CLABP纹理特征；

　　（3）将CLABP纹理特征从GPU送回CPU。

　　CLABP的三个实现步骤是串行实现的，而影响实现方法性能的关键在于步骤之间的数据传输。为了利用GPU的多核并行计算和多存储器功能，需要使用异步传输的方式实现数据传输，即主机无需等待设备端完成计算，就可返回继续准备下一个图像的传输和接收工作，如图2所示。

　　GPU中的并行计算由核函数完成，核函数由网格、线程块和线程组成，启动一个核函数就对应一个网格，网格由多个线程块组成，每个线程块包括多个线程。计算时将线程块送入多核处理器中运行，线程块的最小执行单元为warp，每个warp由32个线程组成，而CLABP计算属于二维的块计算，因此将线程块大小定义为[32，32]。

　　以P=8，R=1为例，当核函数开始计算时，每个线程对图像中的一个像素点进行CLABP编码，由于CLABP是对Y、Cb、Cr颜色模型中三个信号通道内的图像像素值之间的夹角进行计算，因此每次计算均需要从全局存储器中读取三幅图像中的3×9=27个像素点值，而频繁地读取全局存储器将会导致拥塞现象。

　　为了减少并行计算时对全局存储器的频繁读取，GUP中提供了大量的共享内存和寄存器解决这一问题。同一个线程块内的程序通过访问共享内存可以获取到计算所需数据，无需再访问全局存储器，而寄存器可以保存每个线程的私有数据。

　　因此在计算像素点的CLABP值时，每次将整个线程块所需的34×34个像素点的值送入共享内存，则每个像素点的数据均可以读取共享内存以提高数据的读取速度。将每个像素点的CLABP值计算完成后送入寄存器，进行直方图的统计。再将每个线程块的直方图统计结果送回全局存储器进行统计，得到最终的CLABP直方图。

3 实验及讨论

　　本文采用的实验平台是Windows 7，MATLAB 2011b，联想ThinkPad T420笔记本，其CPU为Intel Core i7 2.8 GHz，显卡为NVIDIA NVS 4200M。评价数据集是公开的纹理数据库Outex[9]。该数据库包含了大量的纹理图片，包括自然纹理和表面纹理，而且提供了不同的光照条件、旋转角度和分辨率。图3是Outex纹理图像数据库的部分示例图像。所有的图像尺度都重新变换为128像素×128像素大小，CLABP的局部区域大小采用3像素×3像素和4像素×4像素两种尺寸。

　　本文所采用的评价准则是加速比，即：

　　对于每幅图像，对GPU提取的CLABP特征进行10次实验，加速比取这10次实验的平均值。表1为不同图像数量下CLABP特征提取时间及加速比。

　　从表1可以看出，本文采用的GPU实现方法比CPU实现方法效率要高，而且随着处理的图像个数的增多，加速比逐渐变大。这是因为传输图像数据采用的是异步传输的方式，传输的图像数量越多，加速越明显，效果越好。

　　图4是不同图像个数下的CLABP纹理特征提取加速比。从图中可以看出，随着图像个数增加，加速比也随之增多，但是当图像个数稳定为200个之后，加速比提升不明显。这是因为异步传输和并行计算加速已经趋于稳定，进一步提升加速比需要加入其他的加速方法或技巧。

　　本文针对CLABP特征提取速度较慢的问题，采用GPU对CLABP特征提取方法进行加速，通过异步传输和核函数并行计算提高了纹理特征的计算效率。实验结果表明，本文所采用的GPU实现方法在Outex纹理数据库上具有将近25倍的加速比。对于其他的纹理特征提取方法，本文方法也同样适用。

　　由于本文主要研究程序方面的优化，对于GPU硬件优化并无深入，将CLABP纹理特征与GPU硬件结合将是今后研究的重点。

　　参考文献

　　[1] AHONEN T， HADID A， PIETIK?魧INEN M. Face description with local binary pattern： application to face recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（12）：2037-2041.

　　[2] OJALA T， PIETIKAINEN M， MAENPAA T. Multiresolution gray-scale and rotation-invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）：971-987.

　　[3] 林似水，郑力新.联合LBP与SOM的多分辨率织物疵点检测[J].微型机与应用，2012，31（23）：45-47.

　　[4] 郭春凤，何建农.彩色与纹理不变性的阴影消除新算法[J].微型机与应用，2013，32（5）：38-41.

　　[5] LEE S H， CHOI J Y， RO Y M， et al. Local color vector binary patterns from multi-channel face images for face recognition[J]. IEEE Transactions on Image Processing， 2012， 21（4）：2347-2353.

　　[6] KIRK D B， HWU W W.大规模并行处理器编程实战[M].陈曙晖，熊淑华，译.北京：清华大学出版社，2010.

　　[7] SANDERS J， KANDROT E. GPU高性能编程CUDA实战[M].聂雪军，译.北京：机械工业出版社，2011.

　　[8] 张舒，褚艳利，赵开勇，等.GPU高性能运算之CUDA[M].北京：中国水利水电出版社，2009.

　　[9] OJALA T， MAENPAA T， PIETIKAINEN M， et al. Outex-a new framework for empirical evaluation of texture analysis algorithms[C]. Proceedings of the 16th Conference on Pattern Recognition， 2002：701-706.