随着GPU(Graphic Processing Unit)硬件的发展,特别是其构架的改变,GPU已经不再是固定流水线的图形处理器,而是类似单指令多数据(SIMD,Single Instruction Multiple Data)结构的并行可编程流处理器,从而近几年兴起了基于GPU的通用计算的研究热潮,并在许多领域中得到了应用。　　 本文将GPU应用到双目立体图像匹配技术研究中,大幅度提高了算法执行的效率。立体匹配算法根据得到的视差图分布情况分为稀疏型和稠密型,稠密型的方法对于以生成物体表面点云数据为目标的三维重建而言更为理想,但是同时计算量也更大。另一方面,为了实现稳健的图像匹配,尽可能减少误匹配,越来越多的研究采用基于能量最小模型的全局优化方法,而这类全局能量优化方法本质上往往是NP难问题,计算规模是问题规模的几何倍数,因此也存在算法的时间效率低,无法满足快速三维重建的问题。针对这一问题,本文以自主知识产权的双目立体三维点云实时重建系统研发为背景,围绕基于图割的立体图像稠密像点匹配算法的加速技术进行了深入研究,着重采用了两个提高速度的方法:一是通过快速图像校正方法,减少匹配点搜索范围；二是应用GPU实现算法的并行化。主要工作如下:　　 1)研究了GPU的硬件构架Tesla,分析了GPU作为一种近似SIMD的并行流处理器的工作原理。在此基础上,研究了NVIDIA公司开发的CUDA编程工具,重点分析了其线程模型和存储器模型,并对于CUDA程序如何有效使用GPU资源从而提高算法速度进行了深入的研究。　　 2)研究了基于摄像机标定结果的图像校正原理,分析了校正前后图像的遮挡关系,并结合本文采用的双目立体匹配测量系统ReCreator,对已有的图像校正算法提出了改进。同时提出了基于GPU的图像校正实现方案,针对图像校正过程中最为耗时的图像插值过程利用CUDA编程工具实现了多种插值算法,结合理论分析和实验结果对比讨论了四种插值效果。实验对比了各算法采用GPU和普通CPU的运行时间,表明本文基于GPU的插值算法有很好的算法效率优势。　　 3)研究了能量最小化模型和图论中的最大流/最小割理论,在图像校正的基础上,建立了双目立体匹配的能量模型和网络图模型。对比分析了α-βswap和αexpansion两种图割算法,指出αexpansion算法更适合用于GPU实现。同时对两类最大流/最小割算法--压入-重标记算法和增广路径算法进行了分析研究,通过比较得出了压入重标记算法并行化的可行性和必要性。最终利用GPU实现了基于图割的双目立体匹配,用多个合成图像和实拍图像对文中算法进行了验证,并通过实验研究了能量参数对立体匹配结果的影响。对算法运行时间进行了比较,结果显示采用GPU编程后算法效率提高在几百倍以上。