Multi-Core Systems을 이용한 Natural Feature Tracking 구현과 최적화

Abstract

영상 정보를 통한 물체인식은 컴퓨터 비젼, 로봇, 모바일 비젼, 및 다양한 응용분야에서 관심을 가지는 주제 중하나이다. 최근에 발표된 Scale Invariant Features Transform (SIFT) 은 특징 기반 물체인식 방법이다. SIFT의 주된 특징은 인식하고자 하는 물체의 크기, 회전등에 불변한 특징 벡터를 가진다. 실제로 물체인식에 적용 시 크기 회전등의 변화에도 비교적 좋은 결과를 나타내고 있다. 그러나 SIFT알고리즘은 실시간 물체인식을 하기 위해서는 높은 연산량을 가지고 있다. 그래서 벡터량을 줄인 Natural Features Tracking (NFT)알고리즘이 나오게 되었다. NFT알고리즘은 SIFT보다는 빠른 처리 시간을 가지지만 카메라를 이용한 Real-time 구현에는 떨어지는 성능을 가지고 있다. 여러 응용분야 환경의 프로세서들이 점점 멀티코어로 확산되고 있다. NFT 알고리즘을 실시간으로 동작시키기 위해 멀티코어를 사용하게 될 것이다. Parallel 작업을 하지 않으면 NFT는 한 코어에서 순차적으로 동작을 하게 되므로 이러한 상황을 피하기 위해 여러 코어에서 병렬적으로 동작하게 하기 위해 Multi-thread로 동작시켜야한다. 본 논문에서는 Multi-threading을 손쉽게 구현해주도록 도와주는 도구인 OpenMP를 통하여 NFT의 data-level과 frame단위의 연산을 Parallel하여 비교 분석하였다. 실험결과 둘 다 성능이 향상되었다.; Object recognition with visual information is an interesting topic in computer vision, robot, mobile vision and various applications. Scale Invariant Features Transform (SIFT), which is recently published in feature-based object recognition, is used for object recognition intensive to the size and the rotation of objects. It has satisfactory results for environmental changes when it adapts the algorithm to object recognition. However, SIFT algorithm has high computational complexity when it recognizes the object in real time. Natural Features Tracking (NFT), which has fewer vectors than SIFT, is faster than SIFT, but it has poor performance in real-time on camera system. Single-core processors have been replaced to multi-core processors in various applications. In multi-core processor system, sequential software such as NFT has to be parallelized for whole core of multi-core processor. This thesis compares data-level of NFT parallel with frame-level of NFT parallel and uses OpenMP to implement parallelization, and the results of the experiment demonstrates that parallelized algorithm is faster than SIFT and NFT.