Speeded-Up Robust Features (SURF) を使用したオブジェクト認識は 3 つのステップで構成されます。特徴抽出、特徴記述、および特徴マッチングです。この例では、SURF アルゴリズムの最初のステップである特徴抽出を実行します。ここで使用されるアルゴリズムは、OpenSURF ライブラリの実装に基づきます。この例では、GPU Coder™ を使用し、CUDA® コード生成を通じてこの計算量が多い問題を解く方法を示します。

この例では、MATLAB® コードから CUDA® MEX を生成し、2 つのイメージ間で特徴マッチングを実行する方法を説明します。この例では、Image Processing Toolbox™ の関数matchFeatures (Computer Vision Toolbox)を使用して、互いに回転しスケーリングされた 2 つのイメージ間で特徴記述子をマッチングします。Speeded-Up Robust Features (SURF) アルゴリズムを使用して 2 つのイメージの特徴記述子を検出および抽出します。

この例では、イメージの車線マーカー境界を検出して出力する MATLAB® 関数の CUDA® MEX を生成する方法を説明します。この例では、RGB イメージを入力として受け取り、Image Processing Toolbox™ に用意されている関数ordfilt2 (Image Processing Toolbox)、hough (Image Processing Toolbox)、houghpeaks (Image Processing Toolbox)、およびhoughlines (Image Processing Toolbox)を使用して、車線検出後の出力イメージを生成します。

この例では、MATLAB® 関数から生成された CUDA® MEX 関数を使用したイメージ内のエッジ検出について説明します。エッジ検出アルゴリズムは、半精度データ型で実装されます。

この例では、イメージの車線マーカー境界を検出して出力する Simulink® モデルの CUDA® コードを生成する方法を説明します。この例では、RGB イメージを入力として受け取り、Image Processing Toolbox™ に用意されている関数imresize、rgb2gray、ordfilt2 (Image Processing Toolbox)、hough (Image Processing Toolbox)、houghpeaks (Image Processing Toolbox)、およびhoughlines (Image Processing Toolbox)を使用して、車線区分線を検出します。この例は関数 houghlines を使用した GPU での車線検出とほぼ同じです。

この例では、霧のかかったイメージを入力として受け取り、霧が取り除かれたイメージを出力として生成する Simulink® モデルから、CUDA® コードを生成する方法を示します。この例は、霧修正アルゴリズムの一般的な実装です。この例では、関数conv2、im2gray、およびimhist (Image Processing Toolbox)を使用します。この例は霧の修正の例とほぼ同じです。この例では以下の概念を説明します。