题目：面向视频内容分析的SIFT算法混合并行策略研究

在“智慧城市”运行管理过程中，需要对产生的视频数据内容进行实时分析和处理。SIFT算法是视频内容分析和处理领域中的一种重要的特征提取方法，此算法存在计算量大，计算速度较慢，无法满足实时处理要求的缺点。本论文针对上述问题研究了SIFT特征提取算法的CPU/GPU混合并行化处理方法，并在CUDA平台上设计并实现了一种基于递归高斯滤波的SIFT并行化算法。

本论文对CPU/GPU混合并行平台相关技术以及CUDA并行计算架构进行了深入的研究，在此基础上设计了一个完整的基于CUDA平台的SIFT并行化算法，使得SIFT特征提取的过程能够保留原有的接口和功能，特征提取结果的准确性也能够满足实际应用的需要。

本论文根据CUDA平台的特点，针对多种并行化方案进行实验和分析，选择了较为适合的方法对SIFT并行化算法进行了实现。根据不同的GPU计算能力，实现了能运行于较低端GPU的计算方法，使算法具有更加广泛的应用性，减少对设备性能的依赖。算法中CPU仅负责控制算法的流程，将绝大多数的运算交给GPU进行，最大化地利用GPU的计算能力，减少CPU的计算以及主机端和设备端之间的数据传输，提高算法的效率。通过与CPU算法进行比较，显示了本论文实现的SIFT并行化算法具有良好的加速效果。

本论文对原有的SIFT算法进行了一定改进，提出了一种采用递归高斯滤波进行尺度空间构建的方法。通过分析各种高斯滤波方法，根据GPU的硬件特性，最终采用了递归高斯滤波器代替分离高斯滤波实现尺度空间的构建。通过比较三种常用的递归高斯滤波器，选择了一种最适合于CUDA平台的方法，提高了算法的计算访存比，减少了全局内存的访问。通过与一种比较常用的基于GPU的SIFT库进行比较，显示了本论文采用的递归高斯滤波方法构建尺度空间在GPU并行计算上具有一定的速度提升效果。

本论文完成了SIFT算法的CPU/GPU异构混合并行方法的实现，经过实验验证，提升了SIFT特征提取的计算速度。