风洞试验模型表面的荧光油膜路径运动速度测量

风洞试验模型在气流脉动作用下小幅振动，导致光流法从荧光油膜时序图像中解得的荧光油膜路径运动速度含有模型运动速度，降低了荧光油膜全局摩阻测量准度。为此，提出试验模型表面的荧光油膜路径运动速度测量方法，将模型表面的背景纹理（如人工网格线或其他典型特征）作为基准，利用图像相关法离散匹配，获得相邻时序图像中背景纹理的（几何位姿）映射矩阵；基于模型运动的连续性，推导了映射矩阵的全局优化方程，并结合光流法，实现了模型振动与其表面荧光油膜路径运动的解耦。Oseen涡对的荧光油膜路径运动速度场仿真试验结果表明：在给定的平移旋转条件下，本文方法的计算结果（沿Oseen涡核连线分布的测量速度）与理论值的最大相对误差为4.1%，较无平移旋转条件下的光流计算结果最大相对误差仅增加0.6%。2 m量级高速风洞某空腔试验与机翼试验的荧光油膜路径运动速度测量结果进一步显示：本文方法测得的流动现象正确，能得到定量、清晰的表面摩擦应力线图谱与油膜路径运动速度场，较传统方法优势明显，工程应用价值大。     

GPU平台上的叶轮机械CFD加速计算

通过数据并行的方式对一个成熟的叶轮机多块网格气动计算程序(MAP)进行了并行化处理,利用计算统一设备架构(CUDA)技术实现了在图形处理单元(GPU)上的并行计算.保留了原程序中的2阶空间迎风格式和隐式时间离散格式,并采用了隐式迭代对线性系统进行求解.经过2个叶轮机械算例的测试,与在传统的中央处理器(CPU)上运行的原程序相比,在计算结果完全一致的前提下,单GPU的计算速度最高可达单CPU计算速度的8.89倍,与四核并行的CPU计算相比可以得到2.39倍的加速.     

基于GPU的反卷积算法并行优化

反卷积是图像去模糊的基本算法,针对传统反卷积算法在图像去模糊处理中实时性较弱问题,提出基于众核GPU的Iterative Deconvolve 3d反卷积算法的并行优化实现.所提算法将原算法中的核心运算放在GPU上并行实现,利用CPU和GPU协同工作模式,CPU负责串行任务GPU负责并行任务.实验表明:与传统的算法相比,在不影响图片处理效果的前提下,计算速度比CPU上的实现速度提高了近11倍,并具有良好的可扩展性.     

多GPU并行可压缩流求解器及其性能分析

为实现可压缩流问题的大规模高效数值求解,开展基于图形处理单元（GPU）的并行计算研究。在NVIDIA GTX 1070上建立了基于消息传递接口+统一计算设备架构（MPI+CUDA）的多GPU并行可压缩流求解器,该求解器基于结构网格有限体积法,空间离散采用AUSM⁺UP格式。采用一维区域分解法对计算网格进行划分,使得各GPU之间达到负载平衡。针对超声速进气道算例,对算法单GPU并行性能和多GPU可扩展性能进行分析。数值结果显示,单GPU并行计算可以获得37~46倍的加速比,极大地提高了计算效率;4块GPU并行计算加速比从47倍增加到143倍,并行效率维持在70%以上,说明并行算法具有良好的可扩展性。     

基于深度学习光流法的荧光油膜全局速度测量

针对基于先验的传统光流法存在前提条件苛刻的问题，提出使用基于深度学习的光流法进行荧光油膜全局速度测量。采用数值仿真试验对基于先验的改进HS光流法和基于深度学习的FlowNet2光流法进行对比，结果显示：在不外加干扰时，改进HS光流法和FlowNet2光流法的平均端点误差分别为0.458 7像素/s和0.381 7像素/s；在亮度变化、噪声干扰或不同的演化时间下，FlowNet2光流法的平均端点误差均明显低于改进HS光流法，平均端点误差差值最大可达5.19像素/s；风洞试验进一步证明，FlowNet2光流法能够获得正确、清晰、定量的荧光油膜全局速度场，较改进HS光流法鲁棒性更高，对风洞工程应用具有一定的参考价值。     

基于可编程GPU的多源图像融合

针对可编程GPU模型,提出了基于CPU-GPU的并行边缘强度加权融合算法,利用CPU和GPU协同工作模式达到图像融合的目的,其中CPU负责串行任务,而GPU负责并行任务。实验结果表明,并行边缘强度加权融合算法得到的融合图像有着较好的视觉效果,信息熵和QAB/F这两个评价指标均高于文中对比算法的相应指标;从运行时间上分析,基于CPU-GPU的融合方法所需要的运行时间远低于基于CPU方法所需要的运行时间,并且图像尺寸越大,加速比越高。     

基于模糊核均值聚类优化的光流测速方法CSCD

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。     

GPS载体姿态测量中的LAMBDA方法研究

研究了采用双基线方案测量载体的姿态,利用 GPS载波相位干涉测量基线矢量,引入 LAMBDA法解算整周模糊度,由 CPU时间图可以看出这种方法能快速而准确地解算整周模糊度,对于实时姿态测量(RAD)系统具有很好的应用价值。     

基于GPU的脉冲压缩并行化研究

在雷达数字脉冲压缩实时信号处理中,常需要每秒完成几亿甚至几百亿次的运算,采用能够专注于执行高度线程化并行任务的GPU实现脉冲压缩具有重要意义.根据线性调频信号和匹配滤波器理论基础,提出了基于GPU的脉冲压缩并行化实现方法.测试结果表明,基于GPU的脉冲压缩并行化方法相对于CPU有百倍以上的加速比.     

动态背景下基于金字塔LK光流的运动目标检测

提出了一种动态背景下基于金字塔LK光流的运动目标检测方法。首先采用Shi-Tomasi角点检测法提取图像的强角点,再用金字塔LK光流法计算下一时刻这些特征点的对应位置,得到匹配的多组特征点对。利用这些特征点对建立仿射变换模型并计算仿射参数,对图像做仿射变换消除背景运动带来的误差,最后用帧间差分法处理得到前景目标。实验结果表明,本方法能够以较好的实时性、稳定地检测和提取动背景下的运动目标。