基于多核DSP激光成像雷達(dá)數(shù)據(jù)處理系統(tǒng)

張文廣，魯 敏，郭裕蘭，滕書華，張 軍

(國防科技大學(xué)自動目標(biāo)識別重點實驗室，湖南長沙410073)

1 引言

激光雷達(dá)以其獨特的技術(shù)優(yōu)勢，在航天器對接、坦克目標(biāo)識別、地形地貌分析等應(yīng)用領(lǐng)域中均有著廣闊的前景，被世界各主要科技強(qiáng)國所關(guān)注。20世紀(jì)70年代以來，激光成像雷達(dá)逐步應(yīng)用于軍事、工業(yè)控制、地形測繪、宇宙飛船導(dǎo)航、港口交通管理以及水下定位等方面［1］。國內(nèi)對激光成像雷達(dá)的研究始于20世紀(jì)90年代，雖然對激光雷達(dá)數(shù)據(jù)處理算法方面的研究較多，但關(guān)于激光雷達(dá)數(shù)據(jù)處理系統(tǒng)的文獻(xiàn)卻依然較少。由于激光雷達(dá)既不同于微波雷達(dá)也有別于可見光，因此其數(shù)據(jù)處理系統(tǒng)也有別于現(xiàn)有的雷達(dá)信息處理機(jī)?；诖?，本文設(shè)計了一套可靠、高效的激光雷達(dá)實時圖像處理系統(tǒng)。

2 系統(tǒng)硬件設(shè)計

2.1 信息處理機(jī)結(jié)構(gòu)

硬件設(shè)計是激光雷達(dá)圖像信息處理系統(tǒng)的基礎(chǔ)［2］。根據(jù)激光雷達(dá)圖像系統(tǒng)信息處理的需求，對信息智能處理系統(tǒng)的硬件資源進(jìn)行分析。整個信息處理系統(tǒng)可分為五個模塊:數(shù)據(jù)接收模塊、數(shù)據(jù)處理模塊、接口控制模塊、顯示模塊和通信模塊。處理機(jī)硬件框圖如圖1所示。

圖1 信息處理機(jī)硬件框圖Fig.1 Block diagram for the signal processing hardware

數(shù)據(jù)接收模塊用于接收激光雷達(dá)獲取的原始距離圖像，在本系統(tǒng)中采用網(wǎng)絡(luò)接口實現(xiàn)前端與處理模塊的通信。網(wǎng)絡(luò)通信協(xié)議分為TCP和UDP兩種，為滿足較高的實時性要求，系統(tǒng)采用易于實現(xiàn)的UDP協(xié)議。UDP協(xié)議是面向無連接通信的協(xié)議，由于沒有TCP中三次握手的需求，網(wǎng)絡(luò)設(shè)備在通信時，UDP數(shù)據(jù)的優(yōu)先級高于TCP數(shù)據(jù)，因此實時性要求高的系統(tǒng)均采用UDP協(xié)議。為保證網(wǎng)口數(shù)據(jù)接收的實時性，以太網(wǎng)PHY芯片選用Marvell公司的88E1111芯片，該芯片接口傳輸速率理論上可達(dá)到千兆每秒。

由于激光雷達(dá)圖像數(shù)據(jù)為浮點型的距離圖像且處理算法中涉及大量的乘法操作，因此數(shù)據(jù)處理模塊選用一片擁有硬件乘法器的八核DSP浮點型芯片TMS320C6678作為主處理器。TMS320C6678有專用64位DDR3接口，最大外掛存儲容量為8G。選用Micron公司的MT41K256M16的DDR3存儲芯片用于存儲圖像數(shù)據(jù)，該芯片單片位寬為16位，存儲容量為2G。選用128M的N25Q128 FLASH芯片用于存儲DSP程序。

核心處理單元FPGA主要實現(xiàn)圖像數(shù)據(jù)預(yù)處理、接口芯片控制以及與DSP進(jìn)行SRIO和EMIF通信等功能。因此，F(xiàn)PGA選用性價比較高的XilinxK7系列XC7K70TFBG676芯片。該型芯片包括10250個Slices，135個 36k的 Block RAM，240個 DSP48 Slices，最多400個I/O，8lane GTX。其最高速度可達(dá) 12.5Gbps/lane。

對于圖像處理系統(tǒng)，傳統(tǒng)硬件實現(xiàn)、調(diào)試過程中，通常對硬件內(nèi)部圖像處理過程不可知、系統(tǒng)中間狀態(tài)不能及時反饋，只有系統(tǒng)處理最終結(jié)果，用戶只能通過經(jīng)驗對系統(tǒng)進(jìn)行測試、修改，這給系統(tǒng)的實現(xiàn)、維護(hù)等帶來了極大的不便。為實現(xiàn)在系統(tǒng)實現(xiàn)與維護(hù)過程中的實時觀測和在線調(diào)試，實時獲取激光雷達(dá)數(shù)據(jù)處理的中間結(jié)果就顯得尤為重要。本系統(tǒng)采用FPGA控制各接口與PC及主控機(jī)進(jìn)行數(shù)據(jù)通信，并將圖像處理結(jié)果通過VGA接口分屏顯示在液晶屏幕上。

綜上，本文采用FPGA+DSP的硬件系統(tǒng)框架，通過內(nèi)部高速互聯(lián)以及可測可試的內(nèi)部狀態(tài)顯控方式來滿足相應(yīng)的數(shù)據(jù)處理需求。

2.2 信息處理機(jī)特點

2.2.1 強(qiáng)大的處理能力

DSP處理器選用TI公司新一代KeyStone架構(gòu)的TMS320C6678芯片。該芯片擁有4M共享內(nèi)存，以及8個最高可達(dá)1.25GHz的DSP內(nèi)核，每個內(nèi)核擁有512KB L2內(nèi)存，可在10W功耗下實現(xiàn)160GFLOP的運算。此外，該芯片外部接口豐富，共包含 4xSRIO、16位 EMIF總線、DDR3總線、2路PCIe接口、1路Heyperlink接口以及1路千兆以太網(wǎng)接口。TI公司提供了強(qiáng)大的與DSP結(jié)構(gòu)相適應(yīng)的內(nèi)聯(lián)函數(shù)、匯編指令和大量的開發(fā)例程，大大降低了圖像處理系統(tǒng)的開發(fā)。

2.2.2 FPGA+多核 DSP 的并行架構(gòu)

由于激光三維成像數(shù)據(jù)量大、算法復(fù)雜度高，為實現(xiàn)高速實時的激光雷達(dá)圖像信息智能處理，硬件實現(xiàn)中運用了FPGA+多核DSP的并行架構(gòu)。以FPGA為主要功能芯片的圖像預(yù)處理子系統(tǒng)，主要實現(xiàn)對高速圖像數(shù)據(jù)的預(yù)處理等功能，同時承擔(dān)總線控制、幀存控制等任務(wù)。基于多核DSP并行處理結(jié)構(gòu)的圖像信息智能處理子系統(tǒng)主要實現(xiàn)對激光雷達(dá)數(shù)據(jù)處理算法的復(fù)雜運算功能。此外，多核DSP的并行處理結(jié)構(gòu)通過總線連接容量較大的DDR3作為全局外部存儲器用于存儲圖像處理過程中的圖像數(shù)據(jù)。FPGA與DSP之間通過高速總線進(jìn)行數(shù)據(jù)傳輸，實現(xiàn)系統(tǒng)的分布式并行運算。

2.2.3 內(nèi)部狀態(tài)顯控及可擴(kuò)展性

相比于其他傳統(tǒng)的圖像處理系統(tǒng)［3］，本系統(tǒng)的一大優(yōu)勢在于內(nèi)部狀態(tài)顯控模塊。該模塊可將處理的中間結(jié)果和最終結(jié)果通過分屏方式進(jìn)行顯示，實現(xiàn)了在系統(tǒng)實現(xiàn)與維護(hù)過程中的狀態(tài)實時觀測和在線調(diào)試，大大縮短了算法調(diào)試驗證所需的時間，并且能快速直觀地得到處理結(jié)果。

其次，無論是FPGA模塊還是DSP模塊，均能反復(fù)燒寫不同的工程，對軟件稍作修改即能用于二維圖像處理等其他應(yīng)用場合，因此本系統(tǒng)可移植性強(qiáng)。

3 系統(tǒng)軟件設(shè)計

3.1 DSP并行結(jié)構(gòu)設(shè)計

在多核DSP開發(fā)中，多核并行的架構(gòu)主要分為主輔拓?fù)浣Y(jié)構(gòu)(Master Slave)和數(shù)據(jù)流拓?fù)浣Y(jié)構(gòu)(Data Flow)兩種。本文選用主輔拓?fù)浣Y(jié)構(gòu)，由此DSP內(nèi)核將分為主核與輔核兩種，主核起到控制作用，由主核向各輔核發(fā)送核間中斷來控制輔核的狀態(tài)，而輔核之間沒有任何核間通信，只負(fù)責(zé)計算任務(wù)。主核(控制核)與輔核的數(shù)據(jù)通信則通過EDMA與外部存儲器DDR3進(jìn)行數(shù)據(jù)交換來完成。

TMS320C6678芯片共有8個內(nèi)核，不失一般性，本文以4核并行系統(tǒng)設(shè)計為例進(jìn)行分析。以下圖表中，若無特別說明，均為4核并行系統(tǒng)。本文核間通信結(jié)構(gòu)如圖2所示，核0作為主核，核1至核4作為輔核，主核負(fù)責(zé)與各種接口進(jìn)行數(shù)據(jù)通信以及控制輔核進(jìn)行并行處理，輔核只負(fù)責(zé)算法處理，并將計算結(jié)果存入DDR3指定的存儲段中。

圖2 DSP核間數(shù)據(jù)通信框圖Fig.2 Block diagram for the data communication between DSP cores

核間通信主要分為數(shù)據(jù)通信和狀態(tài)通信。狀態(tài)通信主要用于傳輸狀態(tài)量和控制信息，因此通信時間短、實時性要求高。相比較而言，數(shù)據(jù)通信是大量數(shù)據(jù)的搬移，通信時間長、實時性要求較低。不論哪種數(shù)據(jù)通信方式，都需要采用相應(yīng)的狀態(tài)機(jī)制進(jìn)行管理，狀態(tài)機(jī)制可以由中斷或者消息產(chǎn)生。由于本系統(tǒng)涉及到大量的圖像處理和數(shù)據(jù)存儲，數(shù)據(jù)通信的時間在很大程度上決定了系統(tǒng)圖像處理的效率。因此，采用何種機(jī)制來管理核間通信是本系統(tǒng)設(shè)計的關(guān)鍵。

3.2 算法流程分析

目標(biāo)通常被置于一定的背景環(huán)境之中，與背景圖像融為一體［4］。因而，若需對目標(biāo)進(jìn)行后續(xù)處理(如跟蹤、分類、識別)，則不僅需要能檢測到目標(biāo)，同時還應(yīng)能感知目標(biāo)在環(huán)境中的相對位置以及目標(biāo)大小等信息。在激光雷達(dá)探測過程中，由于視角、背景等原因，目標(biāo)時常被遮擋，在距離像中可能難以很好地實現(xiàn)檢測與分割［5］。如圖3所示，目標(biāo)部分被樹木遮擋，難以完整地將目標(biāo)與背景分離。

圖3 目標(biāo)被樹木遮擋示意圖Fig.3 An illustration of a target under trees

此時，通過從距離像中恢復(fù)三維點云場景則能較好地實現(xiàn)目標(biāo)與背景的分割［6］。由于距離像是三維場景在二維平面的投影像，在某一觀測視點上目標(biāo)被物體遮擋，則相應(yīng)的成像結(jié)果中目標(biāo)也會被遮擋［7］。然而，在真實場景中目標(biāo)實際與背景是分離的，因此通過三維點云可以從不同的角度進(jìn)行觀測，從而較好地分離背景與目標(biāo)［8］。

綜上，本文檢測算法的具體步驟為:首先對距離像進(jìn)行去噪、分塊以及轉(zhuǎn)換成點云等預(yù)處理操作，其次進(jìn)行地面估計，然后進(jìn)行高程濾波，最后根據(jù)目標(biāo)大小等先驗信息分割出目標(biāo)。算法流程如圖4所示。

圖4 地面目標(biāo)檢測算法流程Fig.4 The flow chart for the ground target detection algorithm

3.3 任務(wù)分配及Semaphore硬件仲裁

Semaphore［10］模塊是 TI－C6678 的內(nèi)部硬件模塊，完成對共享資源互斥訪問的硬件仲裁，保證同時刻片上資源只被一個內(nèi)核訪問。Semaphore模塊最多支持64個獨立的旗語信號用于表征資源的訪問狀態(tài)。Semaphore模塊提供共享資源申請、釋放和狀態(tài)查看等管理操作庫函數(shù)。資源申請是獲取資源訪問權(quán)的過程，資源被閘式保護(hù)以保證互斥訪問。資源釋放是放棄所有權(quán)的過程，狀態(tài)查看函數(shù)提供了確認(rèn)資源當(dāng)前狀態(tài)的功能，內(nèi)核一旦放棄資源所有權(quán)，再次使用仍需重新申請。Semaphore硬件仲裁模塊實現(xiàn)了對資源共享的協(xié)調(diào)化管理，避免多核環(huán)境下可能產(chǎn)生多個核同時競爭使用共享資源等錯誤。其次，該模塊和其他功能模塊有良好的事件交互，增強(qiáng)了多核開發(fā)的靈活性。最后，由于硬件信號量訪問時間幾近零開銷，因而大大減少了多核調(diào)用資源的延時等待。

Semaphore模塊申請資源分為以下三種方式:

(1)直接申請(Direct request);

(2)間接申請(Indirect request);

(3)合并申請(Combined request)。

本系統(tǒng)采用信號量直接申請的方式進(jìn)行多核控制。此種方式是獲取資源訪問權(quán)的最簡單方法，申請結(jié)果只有應(yīng)允和否決兩種。申請被應(yīng)允，表明資源當(dāng)前可用，申請內(nèi)核獲得所有權(quán)。否決狀態(tài)說明資源被占用，內(nèi)核不能獲得訪問權(quán)，硬件模塊持續(xù)嘗試直到被應(yīng)允。本系統(tǒng)基于信號量多核調(diào)度工作流程框圖如圖5所示。如2.1節(jié)所述，本文多核系統(tǒng)采用主輔拓?fù)浣Y(jié)構(gòu)，其中0核作為主核負(fù)責(zé)接收數(shù)據(jù)與任務(wù)調(diào)度，1～4核作為輔核進(jìn)行并行處理。

馬蘭把衣服放在搓衣板上反復(fù)地揉搓著，不大會兒洗衣盆里就堆起了五顏六色的泡沫。再過一陣，她的兩只手以及小半截手臂也淹沒在泡沫里了。好幾次我都想提醒她，你不要再搓了小蘭，再搓下去會把衣服搓壞的。可我忍住沒敢開口。當(dāng)我給馬蘭轉(zhuǎn)述那天事情的經(jīng)過時，她就這樣一直低著頭搓洗衣服，我說完半天了，她還沒有停手的意思。那件衣服被馬蘭搓得撲哧撲哧響，人一樣急促地喘息。

首先各工作核開始進(jìn)行各自的信號量初始化，釋放信號量即釋放所占用的資源。主核與輔核不同的是，主核在信號量初始化時占用了輔核在處理時所需的資源并進(jìn)行了一系列的接口初始化，而后等待網(wǎng)口發(fā)數(shù)據(jù)。輔核在信號量初始化完畢后，開始申請各自的信號量，直到獲得該資源的所有權(quán)時才開始后續(xù)的處理。當(dāng)從網(wǎng)口接收到一幅激光雷達(dá)圖像數(shù)據(jù)時，主核開始釋放其所占用的資源，隨即進(jìn)入等待，直到輔核釋放各自的資源時再處理下一幀激光雷達(dá)圖像。而此時，輔核在主核釋放了資源后，立即獲得各核對應(yīng)資源的所有權(quán)，從而進(jìn)行檢測算法處理。處理完畢后釋放各自的資源，并將處理結(jié)果存入DDR3內(nèi)。自此，處理機(jī)完成了一幀圖像的處理。

圖5 基于信號量的多核交互流程圖Fig.5 Diagram of the multi－core scheduling based on Semaphore

多核并行系統(tǒng)的處理效率由各核處理時間的最大值決定［11］，也就是說，如何合理的分配任務(wù)以使各核承載的運算量處于同一個量級是多核任務(wù)分配的關(guān)鍵。以本系統(tǒng)為例，對同一個檢測算法，處理所需的計算量與激光雷達(dá)圖像的大小成正比。要想各輔核的計算量處于同一個量級只需將激光雷達(dá)圖像合理地分成多份，各個輔核只需對各自對應(yīng)的圖像區(qū)間進(jìn)行處理即可。然而如果目標(biāo)處于兩個或多個圖像區(qū)間的邊界時，目標(biāo)會被分割開，因而不利于目標(biāo)檢測。本文采用適當(dāng)擴(kuò)大各圖像區(qū)間大小的方法，使得各個區(qū)間有一定的重合部分。由于激光雷達(dá)圖像不同于二維圖像，其圖像中的每個點之間的距離是物體在真實世界的實際距離，因此，可根據(jù)待檢測目標(biāo)的大小等一系列先驗知識決定重合部分的大小。

4 實驗結(jié)果

4.1 系統(tǒng)加速比理論分析

在多核操作系統(tǒng)上進(jìn)行并行計算的主要目的是減少整個計算過程中所耗費的時間，為此加速比被提出用于衡量并行系統(tǒng)的加速性能。加速比的定義為在某個特定的應(yīng)用下，并行執(zhí)行程序相對于串行執(zhí)行程序在運算速度方面提高的倍數(shù)。

隨著計算機(jī)技術(shù)的發(fā)展，先后有三個計算并行加速比的定律被提出，即Amdahl定律、Gustafson定律以及Sun和Ni定律。由于本文為激光雷達(dá)圖像處理系統(tǒng)，對于同一檢測算法，計算負(fù)載是不變的，所以衡量加速比采用適用于固定計算負(fù)載的Amdahl定律。

1967年，IBM公司的計算機(jī)結(jié)構(gòu)師Amdahl在其論文中提出了計算機(jī)科學(xué)中著名的Amdahl定律［12］。Amdahl定律的出發(fā)點主要基于以下幾點:

(1)對實時性要求很高的處理系統(tǒng)，在計算負(fù)載(計算量)不變的情況下，可以通過采用多核處理器，增加并行處理器的數(shù)量的方法來提高整體計算速度以達(dá)到實時性要求。

(2)計算負(fù)載(計算量)是固定不變的，通過增加處理器數(shù)目，可以將計算任務(wù)均勻地分成幾個子任務(wù)，然后分配到各個處理器并行執(zhí)行。由于每個處理器的任務(wù)量減小，并行執(zhí)行時總的時間縮短，從而達(dá)到了加速計算的目的。Amdahl推導(dǎo)出的加速公式如下:

式中，p表示處理器個數(shù);f為可串行執(zhí)行的負(fù)載占總負(fù)載的比例，加速比用S表示。當(dāng)p→∞ 時，S→1/f。

上式表明，即使處理器數(shù)目無限增大，并行系統(tǒng)所能達(dá)到的最大加速比也不超過1/f。以本系統(tǒng)為例，假如串行執(zhí)行的計算負(fù)載占整個負(fù)載的1/4，并行執(zhí)行的計算負(fù)載占整個負(fù)載的3/4，則1/f。因此，不論增加多少處理器，它所能達(dá)到的最大加速比為4倍。這是因為，程序的執(zhí)行時間等于串行部分執(zhí)行時間與并行部分執(zhí)行時間之和。處理器的增加縮短了并行執(zhí)行的時間，從而減少了整體的執(zhí)行時間。然而串行執(zhí)行時間與處理器數(shù)目p無關(guān)，增加處理器的數(shù)量無法加速串行部分，因此，串行部分執(zhí)行時間過長而導(dǎo)致的處理時間過長問題不能通過增加系統(tǒng)處理器的數(shù)量來解決。

4.2 系統(tǒng)加速比性能測試

本系統(tǒng)的DSP編譯環(huán)境為CCS5.1，每個核均工作在1 GHz頻率。本實驗采用面陣激光雷達(dá)仿真軟件獲取1500 m外的地面場景距離圖像。為仿真場景內(nèi)包含樹木和坦克等目標(biāo)，圖像分辨率分別設(shè)置為32×32、64×64、128×128。

圖6 系統(tǒng)實物圖Fig.6 A photo of the LiADR data processing system

系統(tǒng)實物圖如圖6所示。圖7中的左圖為分辨率為128×128以偽灰度形式表示的原始距離圖像，圖7中的右圖為檢測到的地面目標(biāo)(即坦克)。

本文將并行處理系統(tǒng)擴(kuò)展至雙核和六核，利用TI自帶的TSCL計時函數(shù)分別對三種分辨率下的距離圖像進(jìn)行測試，采用計時函數(shù)得到處理一幀圖像所用的DSP時鐘周期數(shù)，并將該時鐘周期數(shù)除以工作頻率(1 GHz)即可得到處理一幀圖像所消耗的時間。由于目前國內(nèi)面陣激光雷達(dá)所能達(dá)到的分辨率為32×32，處理機(jī)四核并行時處理一幀圖像需要50 ms左右，因此滿足實時性要求。

圖7 分辨率為128×128的激光雷達(dá)距離圖像處理結(jié)果Fig.7 The processing results of 128 ×128 LiDAR range image

圖8為采用不同的工作核數(shù)處理不同分辨率激光雷達(dá)圖像時的性能。需要注意的是，由于本系統(tǒng)采用的多核模式是主從模式，主核用于和外部接口通信，只有輔核承擔(dān)算法的運算任務(wù)，所以圖中的核數(shù)表示的是承擔(dān)算法運算的輔核個數(shù)。其次，本文處理的圖像數(shù)據(jù)均存儲于DDR3中，因此處理速度比存儲于L2或者共享內(nèi)存中要稍慢。

圖8 多核的性能比較Fig.8 Performance comparison with multiple cores

從圖8可看出，當(dāng)工作核數(shù)較少時，通過增加工作核數(shù)(即對圖像進(jìn)行多次分區(qū)處理)會大幅減少處理時間。然而當(dāng)核數(shù)較多時，核數(shù)增加帶來的加速效益逐步下降。本文所設(shè)計的處理系統(tǒng)是將圖像分區(qū)，每個區(qū)塊交給單獨核進(jìn)行處理，即每一個核對應(yīng)一個區(qū)塊的圖像，增加的并行工作的DSP核數(shù)，也就是增加圖像分區(qū)后的區(qū)塊數(shù)。由于分區(qū)后的相鄰的區(qū)塊之間重疊部分要大于待檢測目標(biāo)，以及每一區(qū)塊的點數(shù)要足夠多以保證地面擬合的精確度。因此即使分區(qū)的區(qū)塊數(shù)增多，也并不代表每個區(qū)塊的點云個數(shù)成比例減少。因此，每個核分擔(dān)的計算負(fù)載沒有成比例的減少。正如圖8的時間曲線所示，隨著核數(shù)的增加，加速效益逐步減小。

4.3 系統(tǒng)可擴(kuò)展性分析

對本系統(tǒng)稍作修改即可實現(xiàn)可見光圖像處理，本系統(tǒng)以對含噪聲圖像進(jìn)行平滑及銳化處理為例演示本系統(tǒng)的良好擴(kuò)展性。測試圖像采用含椒鹽噪聲的lena圖像以及原始的lena圖像。實驗結(jié)果如圖9所示。

以上處理均是比較經(jīng)典的濾波處理，圖9中的平滑是以3×3的窗口對圖像進(jìn)行中值濾波;銳化則是以拉普拉斯算子對圖像進(jìn)行濾波。以上實驗表明，該系統(tǒng)對于可見光圖像處理有一定的適應(yīng)性，為后續(xù)實現(xiàn)可見光與激光融合圖像處理提供了有效途徑。

圖9 可見光圖像處理結(jié)果Fig.9 Processing results for a visible image

5 結(jié)論

DSP+FPGA架構(gòu)已成為大數(shù)據(jù)高速處理系統(tǒng)的典型構(gòu)架，本文采用該構(gòu)架以及DSP多核處理技術(shù)，實現(xiàn)了完整的激光成像雷達(dá)數(shù)據(jù)處理系統(tǒng)設(shè)計。測試結(jié)果表明，本文設(shè)計的系統(tǒng)工作穩(wěn)定、可靠、擴(kuò)展性強(qiáng)且處理一幀圖像僅需50ms，達(dá)到了實時性要求。此外，本文還進(jìn)一步分析了多核系統(tǒng)的并行加速比。理論分析和實驗結(jié)果均表明，對于固定負(fù)載的處理系統(tǒng)，單純通過增加并行核數(shù)來提高加速比的作用是有限的。當(dāng)增加并行核數(shù)已經(jīng)不能明顯提高計算速度時，系統(tǒng)應(yīng)從減少每個核串行執(zhí)行的負(fù)載著手。即通過算法優(yōu)化及減少核間通信所需的時間開銷來提高總的運算速度。最后，本文還對該處理系統(tǒng)的可擴(kuò)展性開展了一系列的實驗。實驗表明，該系統(tǒng)稍作修改同樣適用于可見光圖像的處理，為激光與紅外融合圖像處理系統(tǒng)設(shè)計與實現(xiàn)提供了重要的參考。

［1］ GUO Yulan，LU Min，TAN Zhiguo，et al.Survey of local feature extraction on rang images［J］.Pattern Recognition and Artificial Intelligence，2012，25(5):783－791.(in Chinese)郭裕蘭，魯敏，譚志國，等.距離圖像局部特征提取方法綜述［J］.模式識別與人工智能，2012，25(5):783－791.

［2］ GUO Fumin，DING Mingyue，ZHANG Xuming.Fast image matching based on multi－core DSP［J］.International Conference on Intelligent Computation and Bio－Medical Instrumentat－ion(ICBMI)，2011:68－70.

［3］ HUANG Zongfu，WANG Weihua，XIONG Yunsheng，et al.Design and implementation of a real－time signal processor for astronomical opto－electronic observation system［J］.Infrared and Laser Engineering，2012，41(3):671－675.(in Chinese)黃宗福，王衛(wèi)華，熊運生，等.天文光電觀測系統(tǒng)實時信息處理機(jī)的設(shè)計與實現(xiàn)［J］.紅外與激光工程，2012，41(3):671－675.

［4］ M Himmelsbach，F(xiàn)elix V Hundelshausen，H－J Wuensche.Fast segmentation of 3D point clouds for ground vehicles［C］.IEEE Intelligent Vehicles Symposium(IV)，2010.USA:Institute of Electrical and Electronics Engineers Inc，2010，560－565.

［5］ Wei Yao，Stefan Hinz，Uwe Stilla.Automa－tic vehicle extraction from airborne LiDAR data of urban areas using Morphological Reconstruction［J］.Pattern Recognition Letters，2010，(31):1100－1108.

［6］ Matthias R Schmid，Mirko Maehlisch，Juergen Dickmann，et al.Dynamic level of detail 3D occupancy grids for automotive use［C］.IEEE Intelligent Vehicles Symposium(IV).USA:Institute of Electrical and Electronics Engineers Inc，2010:269－274.

［7］ Wei Yao，Uwe Stilla.Comparison of two methods for vehicle extraction from airbor－ne LiDAR data toward motion analysis［J］.IEEE Geoscience and Remote Sensing Letters，2011，(8):607－611.

［8］ Yani Ioannou，Babak Taati，Robin Harrap，et al.Difference of Normals as a Multi－scale Operator in Unorganized Point Clouds［J］.IEEE Conference on 3D Imaging，Modeling，Processing，Visualization and Transmission(3DIMPVT).USA，2012:501－508.

［9］ Wei Yao，Stefan Hinz，Uwe Stilla.3D object－based classification for vehicle extract－ion from airborne LiDAR data by combining point shape information with spatial edge［C］.6th IAPR Workshop PRRS.USA:IEEE，2010，1－4.

［10］ Texas Instruments.KeyStone Architecture Semaphore2 Hardware Module User Guide［M］.USA:Texas，2012:10－20.

［11］ Pawel Gepner，Michal F Kowalik.Multi－Core Processors:New Way to Achieve High Systems Performance［C］.International Sym－posium on Parallel Computing in Electrical Engineering，2006:9－13.

［12］ Gene M Amdahl.Validity of the Single－processor Approach to Achieving Large Scale Computing Capabilities［C］.AFIPS Spring Joint Computer Conference，1967:483－485.