智能系统与技术丛书 基于GPU加速的计算机视觉编程 使用OpenCV和CUDA实时处理复杂图像数据
作者： (美)包米克 维迪雅（Bhaumik Vaidya) 著 顾海燕 译
出版时间： 2020年版
丛编项： 智能系统与技术丛书
内容简介
　　本书提供了OpenCV与CUDA集成以实现实际应用的详细概述。首先介绍使用CUDA进行GPU编程的基础知识。然后，通过一些实际的例子讲解如何利用GPU和CUDA实现OpenCV加速。一旦掌握了核心概念，读者将熟悉如何在NVIDIA Jetson TX1上部署OpenCV应用程序，该应用程序在计算机视觉和深度学习应用程序中非常流行。本书的*后几章解释了PyCUDA，这是一个Python库，它利用CUDA和GPU的强大功能来加速。在本书的*后，读者将通过本书的实践方法增强计算机视觉应用程序。
目录
前言
作者简介
审稿人简介
第1章　CUDA介绍及入门 1
1.1　技术要求 1
1.2　CUDA介绍 1
1.2.1　并行处理 2
1.2.2　GPU架构和CUDA介绍 2
1.2.3　CUDA架构 3
1.3　CUDA应用程序 4
1.4　CUDA开发环境 5
1.4.1　支持CUDA的GPU 5
1.4.2　CUDA开发工具包 6
1.5　在所有操作系统上安装CUDA工具包 6
1.5.1　Windows 6
1.5.2　Linux 7
1.5.3　Mac 8
1.6　一个基本的CUDA C程序 9
1.6.1　在Windows上创建CUDA C程序的步骤 10
1.6.2　在Ubuntu上创建CUDA C程序的步骤 10
1.7　总结 11
1.8　测验题 11
第2章　使用CUDA C进行并行编程 12
2.1　技术要求 12
2.2　CUDA程序结构 13
2.2.1　CUDA C中的双变量加法程序 13
2.2.2　内核调用 14
2.2.3　配置内核参数 15
2.2.4　CUDA API函数 16
2.2.5　将参数传递给CUDA函数 17
2.3　在设备上执行线程 19
2.4　在CUDA程序中获取GPU设备属性 20
2.4.1　通用设备信息 21
2.4.2　内存相关属性 22
2.4.3　线程相关属性 22
2.5　CUDA中的向量运算 24
2.5.1　两个向量加法程序 24
2.5.2　对比CPU代码和GPU代码的延迟 27
2.5.3　对向量的每个元素进行平方 28
2.6　并行通信模式 29
2.6.1　映射 29
2.6.2　收集 29
2.6.3　分散式 30
2.6.4　蒙板 30
2.6.5　转置 30
2.7　总结 30
2.8　测验题 31
第3章　线程、同步和存储器 32
3.1　技术要求 32
3.2　线程 33
3.3　存储器架构 36
3.3.1　全局内存 37
3.3.2　本地内存和寄存器堆 38
3.3.3　高速缓冲存储器 39
3.4　线程同步 39
3.4.1　共享内存 39
3.4.2　原子操作 42
3.5　常量内存 46
3.6　纹理内存 48
3.7　向量点乘和矩阵乘法实例 50
3.7.1　向量点乘 50
3.7.2　矩阵乘法 54
3.8　总结 58
3.9　测验题 58
第4章　CUDA中的高级概念 60
4.1　技术要求 60
4.2　测量CUDA程序的性能 61
4.2.1　CUDA事件 61
4.2.2　NVIDIA Visual Profiler 63
4.3　CUDA中的错误处理 64
4.3.1　从代码中进行错误处理 65
4.3.2　调试工具 66
4.4　CUDA程序性能的提升 66
4.4.1　使用适当的块数量和线程数量 66
4.4.2　最大化数学运算效率 67
4.4.3　使用合并的或跨步式的访存 67
4.4.4　避免warp内分支 67
4.4.5　使用锁定页面的内存 68
4.5　CUDA流 69
4.6　使用CUDA加速排序算法 73
4.7　利用CUDA进行图像处理 75
4.8　总结 80
4.9　测验题 81
第5章　支持CUDA的OpenCV入门 82
5.1　技术要求 82
5.2　图像处理和计算机视觉简介 83
5.3　OpenCV简介 83
5.4　安装支持CUDA的OpenCV 84
5.4.1　在Windows上安装OpenCV 84
5.4.2　在Linux上安装OpenCV 89
5.5　使用OpenCV处理图像 92
5.5.1　OpenCV中的图像表示 92
5.5.2　图像的读取和显示 93
5.5.3　使用OpenCV创建图像 96
5.5.4　将图像保存到文件 99
5.6　使用OpenCV处理视频 99
5.6.1　处理存储在计算机上的视频 100
5.6.2　处理从网络摄像机读取的视频 101
5.6.3　将视频保存到磁盘 102
5.7　使用OpenCV CUDA模块的基本计算机视觉应用程序 104
5.7.1　OpenCV CUDA模块简介 104
5.7.2　对图像的算术和逻辑运算 104
5.7.3　更改图像的颜色空间 108
5.7.4　图像阈值处理 109
5.8　OpenCV应用程序使用和不使用CUDA支持的性能比较 110
5.9　总结 113
5.10　测验题 114
第6章　使用OpenCV和CUDA进行基本的计算机视觉操作 115
6.1　技术要求 115
6.2　访问图像的各个像素强度 116
6.3　OpenCV中直方图的计算和均衡 117
6.4　图像的几何变换 120
6.4.1　图像大小调整 120
6.4.2　图像平移与旋转 121
6.5　对图像进行滤波操作 122
6.5.1　对图像的卷积运算 122
6.5.2　对图像进行低通滤波操作 123
6.5.3　对图像进行高通滤波操作 128
6.6　图像的形态学操作 131
6.7　总结 134
6.8　测验题 134
第7章　使用OpenCV和CUDA进行对象检测和跟踪 135
7.1　技术要求 135
7.2　对象检测和跟踪简介 136
7.2.1　对象检测和跟踪的应用 136
7.2.2　对象检测中的挑战 136
7.3　基于颜色的对象检测和跟踪 136
7.4　基于形状的对象检测和跟踪 139
7.4.1　Canny边缘检测 139
7.4.2　使用Hough变换进行直线检测 140
7.4.3　对圆形进行检测 143
7.5　关键点检测器和描述符 144
7.5.1　加速段测试特征功能检测器 144
7.5.2　面向FAST和旋转BRIEF的特征检测 145
7.5.3　加速强特征检测和匹配 147
7.6　使用Haar级联的对象检测 150
7.6.1　使用Haar级联进行人脸检测 151
7.6.2　使用Haar级联进行眼睛检测 153
7.7　使用背景减法进行对象跟踪 155
7.7.1　高斯混合法 155
7.7.2　GMG背景减法 157
7.8　总结 159
7.9　测验题 160
第8章　Jetson TX1开发套件 161
8.1　技术要求 161
8.2　Jetson TX1简介 161
8.2.1　Jetson TX1的重要特性 163
8.2.2　Jetson TX1的应用 163
8.3　在Jetson TX1上安装JetPack 163
8.3.1　安装的基本要求 164
8.3.2　安装的步骤 164
8.4　总结 171
8.5　测验题 171
第9章　在Jetson TX1上部署计算机视觉应用程序 172
9.1　技术要求 172
9.2　Jetson TX1 GPU的设备属性 173
9.3　Jetson TX1上的基本CUDA程序 174
9.4　Jetson TX1上的图像处理 176
9.4.1　编译支持CUDA的OpenCV 176
9.4.2　读取和显示图像 178
9.4.3　图像合成 178
9.4.4　图像阈值处理 180
9.4.5　Jetson TX1上的图像滤波 182
9.5　Jetson TX1的摄像机接口 184
9.6　Jetson TX1上的高级应用程序 185
9.6.1　使用Haar级联进行人脸检测 185
9.6.2　使用Haar级联进行眼睛检测 187
9.6.3　高斯混合背景减法 188
9.7　在Jetson TX1上使用Python和OpenCV实现计算机视觉 191
9.8　总结 192
9.9　测验题 193
第10章　PyCUDA入门 194
10.1　技术要求 194
10.2　Python编程语言简介 194
10.3　PyCUDA模块简介 195
10.4　在Windows上安装PyCUDA 196
10.5　在Ubuntu上安装PyCUDA 199
10.6　总结 201
10.7　测验题 201
第11章　使用PyCUDA 202
11.1　技术要求 202
11.2　编写第一个PyCUDA程序 203
11.3　从PyCUDA程序访问GPU设备属性 204
11.4　在PyCUDA中执行线程和块 206
11.5　PyCUDA中的基本编程概念 206
11.5.1　在PyCUDA中两个数字相加 207
11.5.2　使用driver类简化加法程序 208
11.6　使用CUDA事件测量PyCUDA程序的性能 209
11.6.1　CUDA事件 209
11.6.2　使用大型数组加法测量PyCUDA的性能 210
11.7　PyCUDA中的复杂程序 212
11.7.1　对PyCUDA中的矩阵元素进行平方运算 212
11.7.2　GPU数组点乘 215
11.7.3　矩阵乘法 217
11.8　PyCUDA的高级内核函数 219
11.8.1　PyCUDA的元素级内核函数 219
11.8.2　归约内核函数 220
11.8.3　scan内核函数 221
11.9　总结 222
11.10　测验题 223
第12章　使用PyCUDA的基本计算机视觉应用程序 224
12.1　技术要求 224
12.2　PyCUDA中的直方图计算 224
12.2.1　使用原子操作 225
12.2.2　使用共享内存 227
12.3　使用PyCUDA进行基本的计算机视觉操作 229
12.3.1　PyCUDA中的颜色空间转换 230
12.3.2　在PyCUDA执行图像合成 233
12.3.3　在PyCUDA中使用gpuarray进行图像反转 234
12.4　总结 235
12.5　测验题 235
测验题答案 236