肖 汉，郭运宏，周清雷

（1.郑州大学 信息工程学院，河南 郑州450001；2.郑州师范学院 信息科学与技术学院，河南 郑州450044；3.郑州铁路职业技术学院 电气工程系，河南 郑州450052）

随着摄影测量和计算机视觉的发展，影像特征匹配越发成为遥感资源分析、三维重建和模式识别等领域研究的基本问题.传统的特征点检测算法中，基于模板匹配的特征点检测算法不易设计出大量模板来匹配纹理细腻的特征点；基于边缘检测的特征点检测算法精度不高；基于亮度变化的特征点检测算法受噪声、光照的影响很大.尺度不变特征变换（scale invariant feature transform，SIFT）算法［1］是一种基于尺度空间理论提取影像局部特征的有效算法，SIFT 特征对尺度缩放、旋转、光照变化均保持不变.但是其算法复杂度高、计算时间长，在实时性要求较高的应用场合中受到了限制.

Sinha等［2］提出了基于OpenGL 的SIFT 特征点提取算法，提速10倍左右.Warn等［3］提出了一种运行在混合机群上的SIFT 算法SOHC.袁修国等［4］提出了利用统一计算设备架构（compute unified device architecture，CUDA），在一种变型的SIFT 算法GLOH 上进行并行化，但是GLOH 算法训练出来的投影矩阵只对某类图像起作用，缺乏广泛的适用性.高玉鹏等［5］实现了CUDA－SIFT 算法提取影像匹配特征点.Mikolajczyk 等［6］提出一种GLOH的改进算法，但其匹配效率没有明显提高.田文等［7］提出一种基于CUDA 的尺度不变特征变换快速算法，测试性能达到了CPU 实现的30～50倍.但是从实验数据中无法看出SIFT 算法的执行时间中是否包括了数据传输时间这一关键因素.

综上所述，采用以CPU 为核心的……