Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

GPU based Fast Recognition of Artificial Landmark for Mobile Robot

주행로봇을 위한 GPU 기반의 고속 인공표식 인식

  • 권오성 (서경대학교 전자공학과) ;
  • 김영균 (서경대학교 전자공학과) ;
  • 조영완 (서경대학교 전자공학과) ;
  • 서기성 (서경대학교 전자공학과)
  • Received : 2010.06.11
  • Accepted : 2010.09.20
  • Published : 2010.10.25
Download PDF
⟨ Previous Next ⟩

Abstract

Vision based object recognition in mobile robots has many issues for image analysis problems with neighboring elements in dynamic environments. SURF(Speeded Up Robust Features) is the local feature extraction method of the image and its performance is constant even if disturbances, such as lighting, scale change and rotation, exist. However, it has a difficulty of real-time processing caused by representation of high dimensional vectors. To solve th problem, execution of SURF in GPU(Graphics Processing Unit) is proposed and implemented using CUDA of NVIDIA. Comparisons of recognition rates and processing time for SURF between CPU and GPU by variation of robot velocity and image sizes is experimented.

주행 로봇 환경에서 비전 기반의 물체 인식은 물체의 주변 요소와 동적인 환경에 대한 다양한 영상처리 문제를 포함한다. SURF(Speeded Up Robust Features)는 영상의 크기와 회전변화에 강인하게 물체를 인식하는 알고리즘으로 많은 연구자에 의해 사용되고 있다. 하지만 SURF 기반의 영상처리 방법은 고차원의 벡터 성분을 사용하기 때문에 연산 과정에서 많은 시간을 소비하며, 그로 인해 실시간 시스템에서 수행의 어려움을 가지고 있다. 본 연구에서는 이러한 문제점을 해결하기 위해서, 연산량이 많은 SURF 처리 과정을 GPU(Graphics Processing Unit)에서 수행하도록 하여, 보다 빠른 영상 인식을 구현하고자 한다. NVIDIA의 CUDA 라이브러리를 이용하여 GPU 상의 수행 프로그램을 구현하고, 실험을 통해 이동 로봇의 속도와 영상의 크기변화에 따른 표식의 인식률 및 수행시간에 대해서 CPU와 성능을 비교한다.

Keywords

References

  1. A. Gopalakrishnan and A. Sekmen, “Vision-based Mobile Robot Learning an Navigation,” ROMAN, IEEE International Workshop on Robots and Human Interactive Communication, pp. 28-53, 2005.
  2. H. Li and S. Yang 2003. “A Behavior-based Mobile Robot with a Visual Landmark-recognition System,” IEEE/ASME Transactions on Mechatronics, Vol. 8, No. 3, pp. 390–400, 2009. https://doi.org/10.1109/TMECH.2003.816818
  3. S. Muramatsu and D. Chugo, S. Jia, K. Takase, “Localization for Indoor Service Robot by using Local-features of Image,” ICROS-SICE International Joint Conference, pp. 3251-3254, 2009.
  4. D. G. Lowe “Distinctive Image Features from Scale-Invariant Keypoints,” International Jaunal of Computer Vision, Vol. 60, No. 2, pp. 91-100, 2004. https://doi.org/10.1023/B:VISI.0000029664.99615.94
  5. H. Bay and T. Tuytelaars, and L. V. Gool, “Surf: Speeded Up Robust Features,” European Conference on Computer Vision, Vol. 3951, pp. 404-417, 2006.
  6. NVIDIA CUDATM Programming Guide, NVIDIA Corporation, 2009, http://developer.nvidia.com/object/cuda.html
  7. 권오성, 김영균, 조영완, 서기성, “GPU 이용한 주행로봇의 인공표식 인식,” 한국지능시스템학회 춘계학술대회 학술발표논문집, 제 20권, 제1호, pp. 123-126, 2010.
  8. Zhichao Cao, Shiming Xu, Wei Xue and Wenguang Chen, “Improving Dense Linear Equation Solver on Hybrid CPU-GPU System,” 10th International Symposium on Pervasive System, Algorithms, and Networks, pp. 556-562, 2009.
  9. OpenCV, http://opencv.willowgarage.com/wiki/welcome
  10. Bioloid Corporation, http://www.robotis.com/