基于MapReduce的圖像序列可視外殼繪制方法

周文暉，程鶴群，孟　影，章清鋒

( 杭州電子科技大學(xué)計算機應(yīng)用技術(shù)研究所，浙江 杭州 310018)

?

基于MapReduce的圖像序列可視外殼繪制方法

周文暉，程鶴群，孟影，章清鋒

( 杭州電子科技大學(xué)計算機應(yīng)用技術(shù)研究所，浙江 杭州 310018)

摘要：設(shè)計并實現(xiàn)了一種基于MapReduce架構(gòu)的圖像序列可視外殼并行繪制方法。首先，20個像機組成的環(huán)形像機陣列對物體進行圖像采集。其次，獲取物體的多視角圖像序列后，使用一個6個節(jié)點的計算機集群對物體的可視外殼進行并行繪制。針對數(shù)據(jù)讀寫受HDFS性能制約的問題，采用基于分布式內(nèi)存方法進一步提升速度。實驗結(jié)果表明，MapReduce框架能很好地應(yīng)用于可視外殼的繪制。與傳統(tǒng)單機處理相比，MapReduce框架性能不僅具有很大優(yōu)勢，而且其分布式內(nèi)存可以很好地解決HDFS的磁盤約束問題，帶來更大的性能提升。

關(guān)鍵詞：可視外殼；分布式計算；大數(shù)據(jù)；實時性

0引言

基于圖像的可視外殼(Image-Based Visual Hull，IBVH)繪制是多視角三維重建的一個關(guān)鍵算法，當(dāng)拍攝視角足夠多時，空間物體的可視外殼是該物體的合理逼近[1]。如何對像機采集得到的圖像序列進行快速地輪廓提取以及視覺外殼求交一直是可視外殼在動態(tài)三維場景重構(gòu)方面的關(guān)鍵問題[2]。早期通過對極幾何技術(shù)和GPU并行技術(shù)對可視外殼繪制進行加速[3]，但都只局限于單機環(huán)境的性能加速，也沒有將分布式采集過程考慮在內(nèi)。在動態(tài)三維場景可視外殼繪制方面，由全光模擬系統(tǒng)[4]，再到動態(tài)多光照三維光場采集系統(tǒng)[5]，可視外殼繪制過程中雖然將分布式采集考慮在內(nèi)，但是并沒有考慮密集視角大數(shù)據(jù)量時重建的實時性。隨著大數(shù)據(jù)相關(guān)應(yīng)用日漸成熟，在簡單的圖片處理領(lǐng)域，可以搭建Hadoop集群運用MapReduce計算模型對衛(wèi)星遙感圖像進行處理[6]，效率上有非常大的提升[7]。本文設(shè)計并實現(xiàn)了一個基于MapReduce的可視外殼繪制系統(tǒng)，采用分布式架構(gòu)對圖像序列的可視外殼進行繪制。分布式架構(gòu)包含分布式計算和分布式文件系統(tǒng)。實驗結(jié)果表明，所設(shè)計系統(tǒng)能高效地對動態(tài)三維場景進行可視外殼的繪制，而且利用集群的運算能力，性能方面可以達到傳統(tǒng)單機的幾十甚至幾百倍。

1可視外殼繪制流程

可視外殼的概念最早于1994年提出，即由空間物體的所有已知側(cè)影輪廓線決定并形成的該空間物體的包絡(luò)[8]。IBVH算法利用各視點的輪廓圖像，以及對應(yīng)校準(zhǔn)參數(shù)，計算物體表面的三維模型，并提供三維模型的一個可視化外殼。可視化外殼的繪制主要包括以下兩個步驟，流程如圖1所示。

1)背景分割。首先由20個像機組成的環(huán)形像機陣列對包含人體的場景進行拍攝，得到20張前景圖像；然后對沒有人體的場景進行拍攝，得到20張背景圖像。對相同視角下的前景圖像和背景圖像進行背景分割即可得到每個視角下人體的輪廓；

2)對象建模。將目標(biāo)像機的3D射線投影到參考圖像平面，確定投影射線與參考圖像輪廓圖相交的區(qū)間，將得到的區(qū)間反投影到3D射線，并與其它參考圖像反投影得到的3D射線上的區(qū)間求交集。

圖1　可視外殼繪制流程圖

2基于MapReduce的可視外殼繪制系統(tǒng)

2.1　系統(tǒng)架構(gòu)圖

系統(tǒng)架構(gòu)從下到上分為硬件層、軟件層和算法層3個部分。整體架構(gòu)圖如圖2所示。硬件層包含計算機集群、環(huán)形像機陣列、傳輸網(wǎng)絡(luò)和像機同步觸發(fā)裝置。軟件層中的采集系統(tǒng)對目標(biāo)進行圖像序列采集，并將采集得到的圖像序列存放在Linux文件系統(tǒng)或者HDFS中。MapReduce計算框架對文件系統(tǒng)中的圖像序列進行處理并將生成的可視外殼存放在文件系統(tǒng)中。算法層為軟件層提供算法支持，主要包含色鍵摳像、多視幾何、IBVH和紋理映射。

圖2　系統(tǒng)整體架構(gòu)圖

2.2　MapReduce并行設(shè)計

MapReduce是一種分布式并行計算框架，用于處理大量密集數(shù)據(jù)。MapReduce程序通常把輸入的數(shù)據(jù)切分為若干獨立的數(shù)據(jù)塊，由多臺計算機來并行處理，從而讓程序獲得更好的性能。可視外殼生成系統(tǒng)中，MapReduce并行計算模塊設(shè)計如圖3所示。計算模塊從文件系統(tǒng)中讀取數(shù)據(jù)，經(jīng)過處理包括背景分割和對象建模等，并最終輸出重建結(jié)果。首先，采集系統(tǒng)控制像機對物體進行采集，每個像機采集得到圖像的像素為1 024×768。像機采集圖片后，將圖片上傳存放在HDFS中。另外，20個像機的背景圖像存放在HDFS中，供后期map中的背景分隔算法讀取。

圖3　MapReduce并行計算模塊設(shè)計圖

當(dāng)Map任務(wù)執(zhí)行時，每張采集圖像作為一個分片輸入到一個Map中，Map根據(jù)輸入的前景圖片從HDFS中讀取相應(yīng)像機的背景圖片。摳圖算法將采集得到的圖像前景減去背景進行分割，提取采集對象輪廓后輸出。Shuffle階段后，根據(jù)圖片的幀號進行Reduce。Reduce階段進行IBVH算法，將得到的對象輪廓進行對象建模。IBVH是一種成熟的Visual Hull生成算法，算法可以得到物體的三維點云。Reduce運行IBVH后將點云存儲在HDFS上。

2.3　基于分布式內(nèi)存的MapReduce并行設(shè)計

圖3中，背景圖像每次都要從磁盤或者分布式文件系統(tǒng)中讀取。為了提高讀取速度以及減少數(shù)據(jù)輸入量，將分布式內(nèi)存引入MapReduce并行中，這里分布式內(nèi)存基于Spark大數(shù)據(jù)處理框架來實現(xiàn)[9]。背景圖像包放入分布式內(nèi)存后，每次進行輪廓提取，背景圖像從分布式內(nèi)存中直接讀取。輪廓提取時，每張采集圖像對應(yīng)一張背景圖像，因此背景圖像放入分布式內(nèi)存后，總的數(shù)據(jù)輸入量變?yōu)樵葦?shù)據(jù)輸入量的一半，極大地減少了磁盤的讀取時間，提高了程序的整體性能。

3實驗結(jié)果

本文的實驗環(huán)境由6臺用千兆網(wǎng)絡(luò)連接的PC機組成，其中一臺PC機作為Master節(jié)點，其他5臺PC機作為Slave節(jié)點。節(jié)點上操作系統(tǒng)為CentOS6.4，代碼編譯采用JDK1.6，Hadoop版本是2.3。主節(jié)點和從節(jié)點的配置如表1所示。

表1　主節(jié)點/從節(jié)點配置

實驗首先對比了基于Hadoop實現(xiàn)的MapReduce并行可視外殼生成系統(tǒng)和傳統(tǒng)單機環(huán)境下的可視外殼生成系統(tǒng)的性能。兩種情況下，采用了相同的摳圖算法和可視外殼繪制算法。實驗結(jié)果如表2所示。表2中列出了不同數(shù)據(jù)輸入量時，PC和MapReduce下的處理時間和性能提升比。由于集群環(huán)境波動性較大，針對每個數(shù)據(jù)輸入，運行3次取平均值來獲得最終的結(jié)果。

表2　Hadoop與單機性能對比

其次，對比了基于Spark實現(xiàn)的分布式內(nèi)存并行方案和Hadoop并行方案的性能差異，實驗結(jié)果如表3所示。

表3　Hadoop方案與Spark方案性能對比

綜上所述，單機、Hadoop方案、Spark方案效率對比如圖4所示。

圖4　單機、Hadoop方案、Spark方案效率對比圖

4結(jié)束語

本文將大數(shù)據(jù)技術(shù)應(yīng)用于可視外殼繪制，基于MapReduce計算框架設(shè)計并實現(xiàn)了一個針對多圖像序列可視外殼的分布式繪制系統(tǒng)。實驗結(jié)果表明MapReduce框架能夠很好地應(yīng)用于可視外殼繪制領(lǐng)域。對于數(shù)據(jù)密集和計算密集型的可視外殼繪制，本文設(shè)計并實現(xiàn)的可視外殼繪制系統(tǒng)較之傳統(tǒng)單機系統(tǒng)，可以帶來很大的性能提升。本系統(tǒng)不足的地方是在IBVH算法上沒有進行更細的并行化，后期需優(yōu)化改進。

參考文獻

[1]朱芹.基于多視點圖像的三維重構(gòu)算法的研究及實現(xiàn)[D].蘭州:蘭州大學(xué),2009:16-22.

[2]Matusik W,Buehler C,Raskar R,et al.Image-based visual hulls[C]//Proceedings of the 27th annual conference on Computer graphics and interactive techniques.New York:ACM Press/Addison-Wesley Publishing Co.,2000:369-374.

[3]Waizenegger W,Feldmann I,Eisert P,et al.Parallel high resolution real-time visual hull on GPU[C]//Image Processing (ICIP),2009 16th IEEE International Conference on.Cairo:IEEE,2009:4301-4304.

[4]曲震.變光照動態(tài)多視角采集系統(tǒng)的設(shè)計[D].北京:清華大學(xué),2008:7-16.

[5]任浩然,周文暉.動態(tài)多光照三維光場采集系統(tǒng)設(shè)計與實現(xiàn)[J].杭州電子科技大學(xué)學(xué)報,2013,32(6)：65-68.

[6]Almeer M H.Cloud Hadoop Map Reduce For Remote Sensing Image Analysis[J].Journal of Emerging Trends in Computing and Information Sciences,2012,3(4):637-644.

[7]Wang P,Wang J,Chen Y,et al.Rapid processing of remote sensing images based on cloud computing[J].Future Generation Computer Systems,2013,29(8):1963-1968.

[8]Laurentini A.The visual hull concept for silhouette-based image understanding[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1994,16(2):150-162.

[9]Zaharia M,Chowdhury M,Das T,et al.Resilient distributed datasets：A fault-tolerant abstraction for in-memory cluster computing[C]//Proceedings of the 9th USENIX conference on Networked Systems Design and Implementation.CA,USA:USENIX Association Berkeley,2012:2-2.

Image Sequences Visual Hull Reconstruction Based on MapReduce

Zhou Wenhui，Cheng Hequn，Meng Ying，Zhang Qingfeng

(InstituteofComputerApplicationTechnology，HangzhouDianziUniversity，HangzhouZhejiang310018，China)

Abstract：This paper designs and implements an image sequences visual hull reconstruction method based on MapReduce framework.First we have built a circular camera array which contains 20 cameras to get the multi-view images.Then a computer cluster with 6 nodes has been set up to parallel compute the visual hulls.Furthermore distributed memory is used to decrease the performance constraints between Map and Reduce data transfer.Experimental results show that MapReduce framework can be well applied in visual hull reconstruction.Compared with the stand-alone environment，the MapReduce framework has great advantages on performance and it is showing that distributed memory can bring a better performance to traditional MapReduce.

Key words：visual hull；distributed computation；big data；real-time

中圖分類號：TP316.4

文獻標(biāo)識碼：A

文章編號：1001-9146(2015)06-0055-05

作者簡介：周文暉(1977-)，男，浙江天臺人，副教授，計算機視覺.

基金項目：國家國際科技合作專項資助項目(2014DFA12040)；浙江省自然科學(xué)基金重點資助項目(LZ14F020003)；浙江省重點創(chuàng)新團隊資助項目(2011R50009)

收稿日期：2014-11-05

DOI：10.13954/j.cnki.hdu.2015.06.012