2024年5月31日发(作者：赖欣)
●韪园西翟到董＿ｌ
底涛
过：箜垫量圈鳖
一种ＣＰＵ＋Ｇ
ＰＵ的多核异构平台设计方案
（河北医科大学第二医院，河北石家庄０５００００）
【摘要】针对大数据时代ＣＰＵ或多核服务器中普遍存在的数据处理能力严重不足的问题，文中设计了一种基于ＧＰＵ通
用处理器作为协处理计算单元的平台方案；通过对数据处理的业务流程进行了逐层分解，简化了算法在ＧＰＵ实现上的复杂度；
设计了一套基于双线程池的插件化作业处理平台来提高ＣＰＵ与ＧＰＵ的利用率，实现了对数据处理的插件化管理。理论分析和
性能测试均验证，ＧＰＵ完全能够胜任复杂且专项的数据处理业务的实时性工作需求，处理能力表现甚佳。
【关键词】ＧＰＵ通用处理器线程池软件插件化
中图分类号：ＴＰ３３２文献标识码：Ａ文章编号：１００８—１７３９（２０１６）３、４—９０—４
Ａ
Ｄｅｓｉｇｎ
Ｓｃｈｅｍｅ
ｏｆ
Ｍｕｌｔｉｃｏｒｅ
Ｈｅｔｅｒｏｇｅｎｅｏｕｓ
Ｐｌａｔｆｏｒｍ
ｆｏｒ
ＣＰＵ＋ＧｐＵ
ＤＩＴａｏ
（Ｔｈｅ
Ｓｅｃｏｎｄ
ｈｏｓｐｉｔａｌ，Ｈｅｂｅｉ
Ｍｅｄｉｃａｌ
Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ
Ｈｅｂｅｉ
０５００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆ
ｉｎｓｕｆｆｉｃｉｅｎｔ
ｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ
ｃａｐａｂｉｌｉｔｙ
ｏｆＣＰＵ
ｓｏｌｕｔｉｏｎ
ｂａｓｅｄ
ｏｎ
ｏｒ
ｍｕｌｔｉｃｏｒｅ
ｓｅｒｖｅｒ
ｉｎ
ｂｉｇ
ｄａｔａ
ａｇｅｓ，ｔｈｉｓｐａｐｅｒｄｅｓｉｇｎｓ
ａ
ｐｌａｔｆｏｒｍ
ｇｅｎｅｒａｌｐｒｏｃｅｓｓｉｎｇ
ｕｎｉｔ（ＧＰＵ）ｕｓｅｄ
ａｓ
ｃｏ—ｐｒｏｃｅｓｓｉｎｇ
ｃａｌｃｕｌａｔｉｏｎｕｎｉｔ．Ｔｈｉｓ
ｌａｙｅｒ．Ａｐｌｕｇ—ｉｎ
ｓｏｌｕｔｉｏｎ
ｓｉｍｐｌｉｆｉｅｓ
ｔｈｅ
ｃｏｍｐｌｅｘｉｔｙ
ｏｆ
ａｌｇｏｒｉｔｈｍｂｙｅｃｏｍｐｏｓｉｎｇ
ｔｈｅ
ｓｅｒｖｉｃｅ
ｆｌｏｗｏｆｄａｔａ
ｄｏｕｂｌｅ—ｔｈｒｅａｄ
ｐｏｏｌ
ｉｓ
ｄｅｓｉｇｎｅｄ
ｒｅｓｕｌｔｓｏｆｔｈｅｏｒｅｔｉｃａｌ
ｔｏ
ｐｒｏｃｅｓｓｉｎｇｌａｙｅｒｂｙｏｐｅｒａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ
ｐｌａｔｆｏｒｍ
ｂａｓｅｄ
ｏｎ
ｉｎｃｒｅａｓｅ
ｕｔｉｌｉｚａｔｉｏｎｒａｔｉｏｏｆＣＰＵａｎｄＧＰＵａｎｄａｃｈｉｅｖｅ
ｐｌｕｇ—ｉｎｍａｎａｇｅｍｅｎｔ
ｏｆｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅ
ｔｅｓｔ
ａｎａｌｙｓｉｓ
ａｎｄ
ｐｅｒｆｏｒｍａｎｃｅ
ｓｈｏｗｔｈａｔＧＰＵｈａｓｅｘｃｅｌｌｅｎｔ
ｐｒｏｃｅｓｓｉｎｇｃａｐａｂｉｌｉｔｙ
ａｎｄ
ｃａｎ
ｍｅｅｔｔｈｅｒｅａｌ——ｔｉｍｅ
ｒｅｑｕｉｒｅｍｅｎｔ
ｏｆ
ｃｏｍｐｌｅｘ
ａｎｄ
ｓｐｅｃｉａｌ
ｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ
ｓｅｒｖｉｃｅ．
Ｋｅｙ
ｗｏｒｄｓ：ｇｅｎｅｒａｌ
ｐｒｏｃｅｓｓｉｎｇ
ｕｎｉｔ（ＧＰＵ）；ｔｈｒｅａｄ
ｐｏｏｌ；ｐｌｕｇ—ｉｎ
ｓｏｆｔｗａｒｅ
１引言
ＧＰＵ通用处理器以其惊人的运算速度和数据吞吐能力
引起大数据时代数据处理工程师的广泛关注。目前，如何充分
利用ＧＰＵ的并行计算能力来辅助ＣＰＵ实现对复杂运算的快
速求解，已经成为当今学术界和产业界关注的热点问题之一，
这一不争的事实使得ＧＰＵ从之前的图形协处理器发展为继
ＣＰＵ之后计算机中又一重要处理器ｆｌＩ。
本文针对ＣＰＵ或多核服务器中普遍存在的数据处理能
力严重不足的问题，以当前主流的ＧＴ２００和Ｆｅｍｆｉ架构ＧＰＵ
为参考对象，详细讲述了如何采用ＣＵＤＡ软件体系架构实现
ＧＰＵ通用计算；设计了一套基于双线程池的插件化作业处理
定稿日期：２０１６－０１—１２
平台来提高ＣＰＵ与ＧＰＵ的利用率，通过ＣＰＵ线程池实现了
多任务的抢占式执行，提高了多任务的执行速度；通过ＧＰＵ
线程池实现了ＧＰＵ的多任务复用，提高了计算资源的利用
率，实现了对数据处理的插件化管理。
２
ＧＰＵ硬件架构
现代ＧＰＵ硬件架构的设想最早出现在微软公司的
ＤｉｒｅｃｔＸ
１０规范中，它首次提出了统一着色架构的概念，用以
替换ＤｉｒｅｃｔＸ９时代的显卡中相互分离的顶点着色器和片元
着色器单元。ＮＶＩＤＩＡ于２００６年底推出了符合该架构的第一
块ＧＰＵ卡——ＧｅＦｏｒｃｅ
８８００，它首次采用了通用标量线程处
理器阵列作为其内部计算单元，标志着ＧＰＵ统一计算新时代
的到来。目前为止，ＮＶＩＤＩＡ的ＧＰＵ硬件架构已经从Ｇ８０、
万方数据
ＧＴ２０｛）时代过渡到了Ｆｅｍｌｉ架构，最新的Ｋｅｐｌｅｒ架构也已经
开始普及。
目前市场上主流的ＧＰＵ多为ＧＴ２００的ＧＴ２０１）架构和新
一代ＧＦＩＯｘ的Ｆｅｍｆｉ架构，上一代的Ｇ８０架构已经逐渐淡出
市场，从硬件构成上看，它们都是由２个主要部分组成，分别
是流处理器阵列（Ｓｃａｌａｂｌｅ
Ｓｔｒｅａｍｉｎｇ
Ｐｒｏｃｅｓｓｏｒ
构重新进行了设计，将ＳＭ和ＴＰＣ融合在了一起，称为ＳＭＸ，
其结构如图２所示．
ＳＭＸ（Ｆｅｒｍ＝ｌ
ＩｎｓｔｒｕｃｔｉｏｎＣａ曲ｅ
ｗａ『ｐ
ＳｃｈｅｄｕＩｅｒ
Ｄｉｓｐａｔｃｈ
Ｕｎｎ
Ｒｅｇｉｓｌｅ
ｒ
ｗａｒＰ
Ｓｃｈｅｄｕｌｅｒ
Ｄｉｓｐａｔｃｈ
ＵｎＩｌ
Ｆｉｌｅ
Ａｒｒａｙ，ＳＰＡ）和存
储器系统，但其内部构造又有着明显的不同之处。下面就以
ＧＴ２（）（）架构和Ｆｅｍａｉ架构为例来对比说明现代ＧＰＵ的软硬
件体系架构及其发展趋势。
流处理器阵列是ＧＰＵ的核心组成部分，不同的ＧＰＵ设
备所包含的流多处理器（Ｓｔｒｅａｍ
Ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ，ＳＭ）数量和内
加ＮＤ矬．ＩＺＩ构差异很大，在ＧＴ２００架构中，每３个ＳＭ构成一个线程
处理器群（Ｔｈｒｅａｄ
Ｐｒｏｃｅｓｓｉｎｇ
Ｃｌｕｓｔｅｒ，ＴＰＣ），不同ＧＰＵ中ＳＭ
的数量差异是以ＴＰＣ为基本单位进行增减的。ＧＴ２００架构中
ＴＰＣ的结构示意图如图１所示。
ＴＰＣ（ＧＴ２００）
Ｇｅｏ
圈回圈回圈匿
囤围困园器阿Ｉ：
囤回圈圈圈匿ｕｎ‘
司网冈冈蹄丙
习圈回圆圈匿
司冈冈冈黑阿
冈冈冈冈需仁
Ｉｎｔｅｆｏｏｎｎｅｃｌ
Ｎｅｔｗｏｒｋ
Ｃ０４Ｋ
ｒｎｅｔｙ
Ｃｏｎｆｉｇｕｒａｂｌｅ
Ｃａｃｈｅ／ＳｈａｒｅｄＭｅｍ
Ｃ∞幻Ｉｋ‘
ＵｈｉｆｏｒｍＣａｃｈｅ
ＳＭＣ
ＳＭＳＭＳＭ
ｃａｃｈｅ
ＭＴＩＳＳｕｅ
Ｃ
ｃａｃｈｅ
ＭＴＩｓｓｕｅ
Ｃｃａｃｈｅ
ｃａｃｈｅ
ＭＴＩＳＳＵｅ
臼２
ＳＭＸ内舌｜ｉ结构示意ｉｊ日Ｌ
Ｆｅｒｍｉ
Ｊ
首先从图②中可以发现，在Ｆｅｍｌｉ架构中ＳＭ包含的内核
数量大大增加，由原来的８个增加到了３２个。而在内部，ＡＬｕ
计算单元电进行了全新的设计，浮点运算单元从ＩＥＥ７５４—１
９８５
标准升级到了ＩＥＥ７５４—２０（）８标准，减少了精度损失。整数运算
单元从原来的２４
ｂｉｔ升级成了能够完整支持３２
ｂｉｔ和６４
ｂｉｔ精
度的指令操作，一改ＧＴ２０（）时代被人所诟病的计算精度受限
问题。为此，ＮＶｌＤＡ将其命名为ＣＤＵＡＣｏｒｅ，以区别于旧的
ｓＰ内核单元。
第二点上的变化来自于存取单元，在ＧＴ２（）ｆ）架构中，为了
减小控制单元的开销，ＳＭ没有自己的存取单元，只在ＴＰＣ层
拥有一个存取单元，由３个ＳＭ通过流水方式共享，而在
Ｆｅｍ“中，每个ＳＭ都具有自己独立的１６路存取单元
（Ｌｏａｄ／Ｓｔｏｒｅ
Ｕｎｉｔｓ），可以保证在一个时钟周期内实现１６路线
Ｌ■Ｈ
Ｌ叫Ｌ叫Ｌ叫Ｌ叫
圈圈
卜订卜订
曰回
圈圈
卜订卜订
围困
圈圈曰圈圈圈
阿阿冈阿
网Ｆ可
ＩＳｈａｒｅｃｌＭｅｍｏｒｙＩＩＳｈｅｒｅｄＭⅢ州ｌ
ＬＯＡＤ／ＳＴＯＲＥ
Ｃｃａｃｈｅ
ｃａｃｈｅ
ＩＳｈａｒｅｄＭｅｍｏｑｔｌ
ＴｅｘｔｕｉｒｅＵｎｉｔｓ
ＴｅｘｌｕｆｅＬ１
圈１
Ｉ
ｌ，【’内｛ｎ？ｊ构示．ｔ三一骂ｆ（：Ｉ二｛…）
在图１中，内部为共享同一条存储器流水线的３个ＳＭ，
从图中ＳＭ的内部架构大致可以看出，每个ＳＭ包含８个流处
理器（Ｓｔｒｅａｎｆｉｎｇ
Ｐｒｏｃｅｓｓｏｒ，ＳＰ），其类似于一个独立的８路
ＳＩＭＤ处理器，但又略有不同，ＮＶＩＤＩＡ称之为ＳＩＭＴ处理器，
与传统的ＳＩＭＤ相比，ＳＩＭＴ处理器有２点不同：
①指令宽度实现向量化和透明化：在传统ＳＩＭＤ处理器
中，指令宽度是一个固定的标量，程序必须根据处理器的指令
宽度来开发代码，而在ＧＴ２００中，指令宽度被隐藏，编程人员
可以在１～５１２间灵活设置，提高了线程使用的灵活性；
程的地址操作和显存读写。因此，在Ｆｅｍｆｉ架构中，ＳＭ已经成
为一个完全独立的处理器。
第三点改进则是支持双ｗｒａｐ调度．在ＧＴ２００中，由于只
有８个ｓＰ，因此每１６路线程指令需要分２次才能完全送入
ｓＰ执行，而在Ｆｅｍｆｉ中，一次可以同时执行２条１６路的指令，
这比ＧＴ２００中的指令宽度足足大了４倍。
第四点变化则是增加了片上Ｌ１缓存的设计，虽然与ＣＰＵ
中以兆为单位的缓存相比差了不少，但与ＧＴ２００相比，缓存对
性能的提升是相当明显的１２Ｉ。
此外，Ｆｅｍｆｉ还在片内增加了独立的特殊函数计算单元，
能够在不影响指令分发的情况下，完成正弦、余弦、倒数和开
方计算等超越函数的计算。
②线程间通信受限：指令宽带的透明化在带来灵活幽均
同时，ｃ乜带来了一定的限制，在传统ＳＩＭＤ处理器中，指令发
射是完全同步的，且各向量间能够共享寄存器资源，而ＳＩＭＴ
中的指令由于存在排队和流水，因此为实现线程间通信，就必
须引入同步机制并借助共享存储器才能实现互访问。
对比新一代Ｆｅｍｆｉ架构，ＮＶＩＤＩＡ对ＳＭ和ＴＰＣ层次架
万方数据
９１
３双线程池设计
当数据处理设备收到多个目标处理任务作业时，启动相
应数量的线程分别对每个任务进行处理，无疑是最常用的实
现策略。但是，当有大量的任务作业集中到来时，会造成大量
线程频繁启动和销毁，这对系统的整体性能产生影响，如图３
所示。
程中安排额外的工作，例如一些数据的初始化、内存的申请和
少量的计算等工作，而这些工作都将被掩藏在ＧＰＵ执行期
间，进一步缩短的程序的执行时间。受线程池的启发对ＧＰＵ
线程电进行了专门的管理，形成了双线程池模式，如图４所
示，这样，当平台中存在多个ＧＰＵ的情况下，就可以实现计算
任务在不同ＧＰＵ间进行迁移。
ＧＰＵ
缝
控
池
蕾
理
矗
雏…川
ＧＰＵ任务
作业
线程数■
图３线程数量与性能的关系
ＧＰＵ
拽
程
池
这是由于当线程数量过多时，线程启停和调度的开销会
超过增加线程所产生的收益所致，根据微软给出的建议，应当
将线程数量控制在ＣＰＵ内核数量的２倍以内，而对于所要面
临的计算密集型任务，线程规模还要适当缩小。
为了避免这种情况的出现，可以采用预先启动并管理一
组线程的方法，在任务到来时可以直接使用，避免频繁创建和
销毁线程的开销，在空闲时，通过降低活动线程的数量来减轻
系统负荷，在线程数量上，通过控制线程总量的方法，避免出
现调度开销过大的情况。这种管理线程的方法被称为线程池
技术。线程池至少包含了线程管理器、工作线程和任务队列３
个部分Ｊ＿¨ｌ＝①线程管理器：负责工作线程的创建、销毁和总数
量上的控制；②工作线程：由线程管理器创建，负责从任务队
列中主动获取具体任务，并调用算法模块运行；③任务队列：
起到任务处理缓冲的作用，当任务集中到来时，对任务进行排
队，避免由于启动的线程过多而对系统造成影响。
在通过线程池对ＧＰＵ进行并发访问时，人们发现，当存
在多个ＧＰＵ设备时，只需简单将它们绑定到不同的任务线程
中即可，但如果有多个ＣＰＵ线程复用一个ＧＰＵ时，则会出现
问题，这是由于ＣＵＤＡ本身的限制所造成的，由于ＣＵＤＡ在
运行时。其上下文必须被绑定到一个线程中去，这就导致一个
ＧＰＵ设备在同一时刻只能被一个线程所使用。
如此一来，ＧＰＵ反而成为了一种瓶颈，所有的线程在这
里都将被被顺序执行，这显然不是设计线程池的初衷，为此采
用了双线程的方式来实现对ＧＰＵ的复用。
通过为ＧＰＵ专门启动一个运行线程，当有其他ＣＰＵ任
务线程需要利用ＧＰＵ进行运算时，则通过向该代理线程发送
请求的方式来完成任务的计算，在任务执行ＧＰＵ运算期间，
任务线程处于完全的异步状态，此时可以根据需要在ＣＰＵ线
ｆ
理
■
；ＰＵｌ｜ＪＧＰＵ２ｌ……ＩＧＰＵ“
娩稷｜｜搜程ｌＪ蛙程
图４双线程池
４平台＋插件化设计
“平台＋插件”软件体系结构是近年来在软件开发中逐渐
开始流行的一种面向构件的软件开发方法［Ｓｌ，之所以选用这种
结构，是基于信号监测业务发展的长期性和多样化的特点。一
方面，在检测和识别算法的实现上，任何一种实用的算法都需
要经过一个漫长的过程，通过不断的改进和升级，才能最终完
善起来；另一方面，监测业务的需求是不断变化的，各种新体
制信号的出现，都需要新的算法来与之适应，而一个稳定和可
靠的运行平台可以保证算法的稳健性，并提高其可复性。
基于上述原因的考虑，从软件模型的角度出发，最自然的
想法就是让每种算法保证自身的独立｝生，并通过某种接口，插
入主程序中，实现集成与交互，当需要时，只需对算法部分做
修改或重新插入其他算法模块进行替代，就可以实现不同的
功能㈧。因此基于插件模型设计的作业平台至少包括２个主要
部分，插件和使用
插件的平台，另
外，在逻辑和实现
上，插件接口和公
共函数库也是必
不可少的，它们之
间的关系如图５
所示。
万方数据
９２
运行框架：运行框架的职责有２个，对内负责各种任务插
件的识别、加载和卸载，线程池规模的设置与运行。对外则提
供一种统一的接口访问形式，获取插件的访问接口，实现对插
件的参数化以及运行控制，它本身并不知道每个插件具体要
做什么，仅仅是在恰当的时候调用插件来完成具体的功能，如
下所示：
①插件接口：并不负责任何具体的业务和实现，仅仅是作
为一种协议，来规范插件的开发；
②插件：是基于插件接口实现实际功能的实体，插件的功
能不受插件接口的影响，但必须要遵守插件接口规定的所有
接口协议，在这里，插件的最终形式为ＤＬＬ动态库；
③公共函数库：是一个独立的动态库，将插件和运行框架
常用的函数或类库放在一个独立的运行库中，而不是集成到
运行框架中，既利于降低插件对运行框架的依赖性，又可以降
低运行平台内核的复杂度，提高运行速度和稳定性，通常是将
能够固化下来的常用算法和函数放入公共函数库中。
的开发维护，达到了提高模块通用性和降低数据处理算法在
ＧＰＵ实现上复杂度的目的。实际工程应用测试结果表明，该
ＣＰＵ＋ＧＰＵ完全能够胜任大数据复杂且专项业务的实时性工
作需求，在对复杂数据进行处理时，能力表现更佳。
参考文献
［１］仇德元．ＧＰＵ编程技术一从ＧＬＳＬ、ＣＵＤＡ到ＯｐｅｎＣＬ［Ｍ］．
北京：机械工业出版社，２０１１．
【２１
Ｋｒｉｋ
ＤＢ，Ｈｗｕ
Ｗｅｎ—ｍｅｉ．Ｐｒｏｇｒａｍｍａｎｇ
Ｍａｓｓｉｖｅｌｙ
Ｐａｒａｌｌｅｌ
Ｐｒｏｃｅｓｓｏｒｓ：ＡＨａｎｄｓ—ｏｎ
Ａｐｐｒｏａｃｈ［Ｍ］．北京：清华大学出版
社．２（）１０．
【３】Ｊｏｓｅｌｌｉ
Ｍ，ＺａｍｉｔｈＭ，Ｃｌｕａ
Ｅ，ｅｔ
ａ１．Ａｎ
Ａｄａｐｔａｔｉｖｅ
Ｇａｍｅ
Ｌｏｏｐ
Ａｒｃｈｉｔｅｃｔｕｒｅ
ｗｉｔｈ
ＡｕｔｏｍａｔｉｃＤｉｓｔｒｉｂｕｔｉｏｎ
ｏｆＴａｓｋｓｂｅｔｅｅｎ
ＣＰＵａｎｄ
ＧＰＵ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ
ｉｎ
Ｅｎｔｅｒｔａｉｎｍｅｎｔ（ＣＩＥ）
一ＳＰＥＣＩＡＬ
ＩＳＳＵＥ：Ｇａｍｅｓ，２００９，４（７）：５０．
［４］高翔，张金登．基于线程池的多任务并行处理模型Ⅱ】指挥信
息系统与技术，２０１２，３（４）：５４－５６．
５结束语
本文提出了一种软件插件平台＋双线程池的解决方案，
通过插件平台完成了业务层与数据处理实现层的分离和各自
（上接第８９页）
［５］王志坚，费玉奎，娄渊清．软件构件技术及其应用【Ｍ］．北京：科
学出版社，２００５．
［６］刘立芳．基于ＭＶＣ模式与插件式设计的开发架构的探讨
与实践Ｕ］．电脑编程技巧与维护，２０１２（１２）：３３—３５．
参考文献
［１］王宏旭．基于飞思卡尔智能车的视频导航控制技术研究
【Ｄ］．沈阳：沈阳理工大学，２０１４．
［２］段振兴．基于ＭＣ９Ｓ１２８的摄像头导航智能车的设计与实
现Ⅱ］甘肃科技纵横，２０１１（３）：１１—１３
【３】卓晴，王王ｉ｛｝，王磊．基于面阵ＣＣＤ的赛道参数检测方法
３．３实验结果
经过垂直和水平２个方向的矫正处理后的赛道效果如图
４所示。可以看出经过畸变矫正后的赛道图像与实际的赛道基本
—致，算法运算实时｝生强，很好的满足了计算和控制的需要。
飞雌卜
（ａ）经过畸变校正的效果图
㈣实际的赛道
图４变校正后的最终效果比对
【Ｉ】．电子产品世界，２０（）６（７）：１４１—１４３
【４］方川，曾龙，魏洪川．摄像头智能车硬件设计方案Ｕ】．电子
产品世界，２０１０（３）：５０－５２．
【５】程钊，万齐齐，唐旋来，等．智能车道路识别及控制研究Ⅱ］伺
服控制．２０１３７（６）：４９－５
１．
１６】６董秀成，杨栩．基于视觉的智能车道路检测与转向控制策略
研究［『】．西华大学学报，２０１０，４（２）：２—３．
【７］曹凯，于少伟，周芦芦基于动态目标位置的智能车辆控制
４结束语
在垂直和水平方向对视觉图像进行畸变校正后，分别经
过相应方向上的坐标变换，就可以得到更接近实际效果的图
像，为后面计算赛道参数提供了准确的输入信息。实验结果表
研究Ｕ】信息与控制，２００８，１４（４）：２３－２５．
［８］Ｑｉｕｓｈｉ
Ｓｃｉｅｎｃｅ
ａｎｄ
Ｔｅｃｈｎｏｌｏｇｙ．ｎａｖｉｇａｔｉｏｎ
ｆｏｒ
ｔｙｐｉｃａｌ
ｍｏｄｕｌｅ
ｅｘａｍｐｌｅｓｄｅｓｉｇｎ
ｏｆＭＣＵ［Ｊ］．Ｐｏｓｔｓ
３７５．
ａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ
Ｎｅｗｓ
Ｐｒｅｓｓ，２００４，３（２）：３６５
【９】刘明，王洪军，李永科．基于智能车中摄像头的图像采集的
研究Ｕ］电子设计工程，２０１２（１７）：１５８—１６０
【１０】田敏雄，沈庆宏，曹凤莲，等基于图像空间变换和插值运算
的投影仪梯形校正法Ⅱ】电子测量技术，２００７（３）：１０—１２
明，校正算法运算实时｝生强，经过校正后的赛道信息与实际的
赛道基本一致，可以满足计算和控制的需要。
９３
万方数据
2024年5月31日发(作者：赖欣)
●韪园西翟到董＿ｌ
底涛
过：箜垫量圈鳖
一种ＣＰＵ＋Ｇ
ＰＵ的多核异构平台设计方案
（河北医科大学第二医院，河北石家庄０５００００）
【摘要】针对大数据时代ＣＰＵ或多核服务器中普遍存在的数据处理能力严重不足的问题，文中设计了一种基于ＧＰＵ通
用处理器作为协处理计算单元的平台方案；通过对数据处理的业务流程进行了逐层分解，简化了算法在ＧＰＵ实现上的复杂度；
设计了一套基于双线程池的插件化作业处理平台来提高ＣＰＵ与ＧＰＵ的利用率，实现了对数据处理的插件化管理。理论分析和
性能测试均验证，ＧＰＵ完全能够胜任复杂且专项的数据处理业务的实时性工作需求，处理能力表现甚佳。
【关键词】ＧＰＵ通用处理器线程池软件插件化
中图分类号：ＴＰ３３２文献标识码：Ａ文章编号：１００８—１７３９（２０１６）３、４—９０—４
Ａ
Ｄｅｓｉｇｎ
Ｓｃｈｅｍｅ
ｏｆ
Ｍｕｌｔｉｃｏｒｅ
Ｈｅｔｅｒｏｇｅｎｅｏｕｓ
Ｐｌａｔｆｏｒｍ
ｆｏｒ
ＣＰＵ＋ＧｐＵ
ＤＩＴａｏ
（Ｔｈｅ
Ｓｅｃｏｎｄ
ｈｏｓｐｉｔａｌ，Ｈｅｂｅｉ
Ｍｅｄｉｃａｌ
Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ
Ｈｅｂｅｉ
０５００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆ
ｉｎｓｕｆｆｉｃｉｅｎｔ
ｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ
ｃａｐａｂｉｌｉｔｙ
ｏｆＣＰＵ
ｓｏｌｕｔｉｏｎ
ｂａｓｅｄ
ｏｎ
ｏｒ
ｍｕｌｔｉｃｏｒｅ
ｓｅｒｖｅｒ
ｉｎ
ｂｉｇ
ｄａｔａ
ａｇｅｓ，ｔｈｉｓｐａｐｅｒｄｅｓｉｇｎｓ
ａ
ｐｌａｔｆｏｒｍ
ｇｅｎｅｒａｌｐｒｏｃｅｓｓｉｎｇ
ｕｎｉｔ（ＧＰＵ）ｕｓｅｄ
ａｓ
ｃｏ—ｐｒｏｃｅｓｓｉｎｇ
ｃａｌｃｕｌａｔｉｏｎｕｎｉｔ．Ｔｈｉｓ
ｌａｙｅｒ．Ａｐｌｕｇ—ｉｎ
ｓｏｌｕｔｉｏｎ
ｓｉｍｐｌｉｆｉｅｓ
ｔｈｅ
ｃｏｍｐｌｅｘｉｔｙ
ｏｆ
ａｌｇｏｒｉｔｈｍｂｙｅｃｏｍｐｏｓｉｎｇ
ｔｈｅ
ｓｅｒｖｉｃｅ
ｆｌｏｗｏｆｄａｔａ
ｄｏｕｂｌｅ—ｔｈｒｅａｄ
ｐｏｏｌ
ｉｓ
ｄｅｓｉｇｎｅｄ
ｒｅｓｕｌｔｓｏｆｔｈｅｏｒｅｔｉｃａｌ
ｔｏ
ｐｒｏｃｅｓｓｉｎｇｌａｙｅｒｂｙｏｐｅｒａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ
ｐｌａｔｆｏｒｍ
ｂａｓｅｄ
ｏｎ
ｉｎｃｒｅａｓｅ
ｕｔｉｌｉｚａｔｉｏｎｒａｔｉｏｏｆＣＰＵａｎｄＧＰＵａｎｄａｃｈｉｅｖｅ
ｐｌｕｇ—ｉｎｍａｎａｇｅｍｅｎｔ
ｏｆｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅ
ｔｅｓｔ
ａｎａｌｙｓｉｓ
ａｎｄ
ｐｅｒｆｏｒｍａｎｃｅ
ｓｈｏｗｔｈａｔＧＰＵｈａｓｅｘｃｅｌｌｅｎｔ
ｐｒｏｃｅｓｓｉｎｇｃａｐａｂｉｌｉｔｙ
ａｎｄ
ｃａｎ
ｍｅｅｔｔｈｅｒｅａｌ——ｔｉｍｅ
ｒｅｑｕｉｒｅｍｅｎｔ
ｏｆ
ｃｏｍｐｌｅｘ
ａｎｄ
ｓｐｅｃｉａｌ
ｄａｔａ
ｐｒｏｃｅｓｓｉｎｇ
ｓｅｒｖｉｃｅ．
Ｋｅｙ
ｗｏｒｄｓ：ｇｅｎｅｒａｌ
ｐｒｏｃｅｓｓｉｎｇ
ｕｎｉｔ（ＧＰＵ）；ｔｈｒｅａｄ
ｐｏｏｌ；ｐｌｕｇ—ｉｎ
ｓｏｆｔｗａｒｅ
１引言
ＧＰＵ通用处理器以其惊人的运算速度和数据吞吐能力
引起大数据时代数据处理工程师的广泛关注。目前，如何充分
利用ＧＰＵ的并行计算能力来辅助ＣＰＵ实现对复杂运算的快
速求解，已经成为当今学术界和产业界关注的热点问题之一，
这一不争的事实使得ＧＰＵ从之前的图形协处理器发展为继
ＣＰＵ之后计算机中又一重要处理器ｆｌＩ。
本文针对ＣＰＵ或多核服务器中普遍存在的数据处理能
力严重不足的问题，以当前主流的ＧＴ２００和Ｆｅｍｆｉ架构ＧＰＵ
为参考对象，详细讲述了如何采用ＣＵＤＡ软件体系架构实现
ＧＰＵ通用计算；设计了一套基于双线程池的插件化作业处理
定稿日期：２０１６－０１—１２
平台来提高ＣＰＵ与ＧＰＵ的利用率，通过ＣＰＵ线程池实现了
多任务的抢占式执行，提高了多任务的执行速度；通过ＧＰＵ
线程池实现了ＧＰＵ的多任务复用，提高了计算资源的利用
率，实现了对数据处理的插件化管理。
２
ＧＰＵ硬件架构
现代ＧＰＵ硬件架构的设想最早出现在微软公司的
ＤｉｒｅｃｔＸ
１０规范中，它首次提出了统一着色架构的概念，用以
替换ＤｉｒｅｃｔＸ９时代的显卡中相互分离的顶点着色器和片元
着色器单元。ＮＶＩＤＩＡ于２００６年底推出了符合该架构的第一
块ＧＰＵ卡——ＧｅＦｏｒｃｅ
８８００，它首次采用了通用标量线程处
理器阵列作为其内部计算单元，标志着ＧＰＵ统一计算新时代
的到来。目前为止，ＮＶＩＤＩＡ的ＧＰＵ硬件架构已经从Ｇ８０、
万方数据
ＧＴ２０｛）时代过渡到了Ｆｅｍｌｉ架构，最新的Ｋｅｐｌｅｒ架构也已经
开始普及。
目前市场上主流的ＧＰＵ多为ＧＴ２００的ＧＴ２０１）架构和新
一代ＧＦＩＯｘ的Ｆｅｍｆｉ架构，上一代的Ｇ８０架构已经逐渐淡出
市场，从硬件构成上看，它们都是由２个主要部分组成，分别
是流处理器阵列（Ｓｃａｌａｂｌｅ
Ｓｔｒｅａｍｉｎｇ
Ｐｒｏｃｅｓｓｏｒ
构重新进行了设计，将ＳＭ和ＴＰＣ融合在了一起，称为ＳＭＸ，
其结构如图２所示．
ＳＭＸ（Ｆｅｒｍ＝ｌ
ＩｎｓｔｒｕｃｔｉｏｎＣａ曲ｅ
ｗａ『ｐ
ＳｃｈｅｄｕＩｅｒ
Ｄｉｓｐａｔｃｈ
Ｕｎｎ
Ｒｅｇｉｓｌｅ
ｒ
ｗａｒＰ
Ｓｃｈｅｄｕｌｅｒ
Ｄｉｓｐａｔｃｈ
ＵｎＩｌ
Ｆｉｌｅ
Ａｒｒａｙ，ＳＰＡ）和存
储器系统，但其内部构造又有着明显的不同之处。下面就以
ＧＴ２（）（）架构和Ｆｅｍａｉ架构为例来对比说明现代ＧＰＵ的软硬
件体系架构及其发展趋势。
流处理器阵列是ＧＰＵ的核心组成部分，不同的ＧＰＵ设
备所包含的流多处理器（Ｓｔｒｅａｍ
Ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ，ＳＭ）数量和内
加ＮＤ矬．ＩＺＩ构差异很大，在ＧＴ２００架构中，每３个ＳＭ构成一个线程
处理器群（Ｔｈｒｅａｄ
Ｐｒｏｃｅｓｓｉｎｇ
Ｃｌｕｓｔｅｒ，ＴＰＣ），不同ＧＰＵ中ＳＭ
的数量差异是以ＴＰＣ为基本单位进行增减的。ＧＴ２００架构中
ＴＰＣ的结构示意图如图１所示。
ＴＰＣ（ＧＴ２００）
Ｇｅｏ
圈回圈回圈匿
囤围困园器阿Ｉ：
囤回圈圈圈匿ｕｎ‘
司网冈冈蹄丙
习圈回圆圈匿
司冈冈冈黑阿
冈冈冈冈需仁
Ｉｎｔｅｆｏｏｎｎｅｃｌ
Ｎｅｔｗｏｒｋ
Ｃ０４Ｋ
ｒｎｅｔｙ
Ｃｏｎｆｉｇｕｒａｂｌｅ
Ｃａｃｈｅ／ＳｈａｒｅｄＭｅｍ
Ｃ∞幻Ｉｋ‘
ＵｈｉｆｏｒｍＣａｃｈｅ
ＳＭＣ
ＳＭＳＭＳＭ
ｃａｃｈｅ
ＭＴＩＳＳｕｅ
Ｃ
ｃａｃｈｅ
ＭＴＩｓｓｕｅ
Ｃｃａｃｈｅ
ｃａｃｈｅ
ＭＴＩＳＳＵｅ
臼２
ＳＭＸ内舌｜ｉ结构示意ｉｊ日Ｌ
Ｆｅｒｍｉ
Ｊ
首先从图②中可以发现，在Ｆｅｍｌｉ架构中ＳＭ包含的内核
数量大大增加，由原来的８个增加到了３２个。而在内部，ＡＬｕ
计算单元电进行了全新的设计，浮点运算单元从ＩＥＥ７５４—１
９８５
标准升级到了ＩＥＥ７５４—２０（）８标准，减少了精度损失。整数运算
单元从原来的２４
ｂｉｔ升级成了能够完整支持３２
ｂｉｔ和６４
ｂｉｔ精
度的指令操作，一改ＧＴ２０（）时代被人所诟病的计算精度受限
问题。为此，ＮＶｌＤＡ将其命名为ＣＤＵＡＣｏｒｅ，以区别于旧的
ｓＰ内核单元。
第二点上的变化来自于存取单元，在ＧＴ２（）ｆ）架构中，为了
减小控制单元的开销，ＳＭ没有自己的存取单元，只在ＴＰＣ层
拥有一个存取单元，由３个ＳＭ通过流水方式共享，而在
Ｆｅｍ“中，每个ＳＭ都具有自己独立的１６路存取单元
（Ｌｏａｄ／Ｓｔｏｒｅ
Ｕｎｉｔｓ），可以保证在一个时钟周期内实现１６路线
Ｌ■Ｈ
Ｌ叫Ｌ叫Ｌ叫Ｌ叫
圈圈
卜订卜订
曰回
圈圈
卜订卜订
围困
圈圈曰圈圈圈
阿阿冈阿
网Ｆ可
ＩＳｈａｒｅｃｌＭｅｍｏｒｙＩＩＳｈｅｒｅｄＭⅢ州ｌ
ＬＯＡＤ／ＳＴＯＲＥ
Ｃｃａｃｈｅ
ｃａｃｈｅ
ＩＳｈａｒｅｄＭｅｍｏｑｔｌ
ＴｅｘｔｕｉｒｅＵｎｉｔｓ
ＴｅｘｌｕｆｅＬ１
圈１
Ｉ
ｌ，【’内｛ｎ？ｊ构示．ｔ三一骂ｆ（：Ｉ二｛…）
在图１中，内部为共享同一条存储器流水线的３个ＳＭ，
从图中ＳＭ的内部架构大致可以看出，每个ＳＭ包含８个流处
理器（Ｓｔｒｅａｎｆｉｎｇ
Ｐｒｏｃｅｓｓｏｒ，ＳＰ），其类似于一个独立的８路
ＳＩＭＤ处理器，但又略有不同，ＮＶＩＤＩＡ称之为ＳＩＭＴ处理器，
与传统的ＳＩＭＤ相比，ＳＩＭＴ处理器有２点不同：
①指令宽度实现向量化和透明化：在传统ＳＩＭＤ处理器
中，指令宽度是一个固定的标量，程序必须根据处理器的指令
宽度来开发代码，而在ＧＴ２００中，指令宽度被隐藏，编程人员
可以在１～５１２间灵活设置，提高了线程使用的灵活性；
程的地址操作和显存读写。因此，在Ｆｅｍｆｉ架构中，ＳＭ已经成
为一个完全独立的处理器。
第三点改进则是支持双ｗｒａｐ调度．在ＧＴ２００中，由于只
有８个ｓＰ，因此每１６路线程指令需要分２次才能完全送入
ｓＰ执行，而在Ｆｅｍｆｉ中，一次可以同时执行２条１６路的指令，
这比ＧＴ２００中的指令宽度足足大了４倍。
第四点变化则是增加了片上Ｌ１缓存的设计，虽然与ＣＰＵ
中以兆为单位的缓存相比差了不少，但与ＧＴ２００相比，缓存对
性能的提升是相当明显的１２Ｉ。
此外，Ｆｅｍｆｉ还在片内增加了独立的特殊函数计算单元，
能够在不影响指令分发的情况下，完成正弦、余弦、倒数和开
方计算等超越函数的计算。
②线程间通信受限：指令宽带的透明化在带来灵活幽均
同时，ｃ乜带来了一定的限制，在传统ＳＩＭＤ处理器中，指令发
射是完全同步的，且各向量间能够共享寄存器资源，而ＳＩＭＴ
中的指令由于存在排队和流水，因此为实现线程间通信，就必
须引入同步机制并借助共享存储器才能实现互访问。
对比新一代Ｆｅｍｆｉ架构，ＮＶＩＤＩＡ对ＳＭ和ＴＰＣ层次架
万方数据
９１
３双线程池设计
当数据处理设备收到多个目标处理任务作业时，启动相
应数量的线程分别对每个任务进行处理，无疑是最常用的实
现策略。但是，当有大量的任务作业集中到来时，会造成大量
线程频繁启动和销毁，这对系统的整体性能产生影响，如图３
所示。
程中安排额外的工作，例如一些数据的初始化、内存的申请和
少量的计算等工作，而这些工作都将被掩藏在ＧＰＵ执行期
间，进一步缩短的程序的执行时间。受线程池的启发对ＧＰＵ
线程电进行了专门的管理，形成了双线程池模式，如图４所
示，这样，当平台中存在多个ＧＰＵ的情况下，就可以实现计算
任务在不同ＧＰＵ间进行迁移。
ＧＰＵ
缝
控
池
蕾
理
矗
雏…川
ＧＰＵ任务
作业
线程数■
图３线程数量与性能的关系
ＧＰＵ
拽
程
池
这是由于当线程数量过多时，线程启停和调度的开销会
超过增加线程所产生的收益所致，根据微软给出的建议，应当
将线程数量控制在ＣＰＵ内核数量的２倍以内，而对于所要面
临的计算密集型任务，线程规模还要适当缩小。
为了避免这种情况的出现，可以采用预先启动并管理一
组线程的方法，在任务到来时可以直接使用，避免频繁创建和
销毁线程的开销，在空闲时，通过降低活动线程的数量来减轻
系统负荷，在线程数量上，通过控制线程总量的方法，避免出
现调度开销过大的情况。这种管理线程的方法被称为线程池
技术。线程池至少包含了线程管理器、工作线程和任务队列３
个部分Ｊ＿¨ｌ＝①线程管理器：负责工作线程的创建、销毁和总数
量上的控制；②工作线程：由线程管理器创建，负责从任务队
列中主动获取具体任务，并调用算法模块运行；③任务队列：
起到任务处理缓冲的作用，当任务集中到来时，对任务进行排
队，避免由于启动的线程过多而对系统造成影响。
在通过线程池对ＧＰＵ进行并发访问时，人们发现，当存
在多个ＧＰＵ设备时，只需简单将它们绑定到不同的任务线程
中即可，但如果有多个ＣＰＵ线程复用一个ＧＰＵ时，则会出现
问题，这是由于ＣＵＤＡ本身的限制所造成的，由于ＣＵＤＡ在
运行时。其上下文必须被绑定到一个线程中去，这就导致一个
ＧＰＵ设备在同一时刻只能被一个线程所使用。
如此一来，ＧＰＵ反而成为了一种瓶颈，所有的线程在这
里都将被被顺序执行，这显然不是设计线程池的初衷，为此采
用了双线程的方式来实现对ＧＰＵ的复用。
通过为ＧＰＵ专门启动一个运行线程，当有其他ＣＰＵ任
务线程需要利用ＧＰＵ进行运算时，则通过向该代理线程发送
请求的方式来完成任务的计算，在任务执行ＧＰＵ运算期间，
任务线程处于完全的异步状态，此时可以根据需要在ＣＰＵ线
ｆ
理
■
；ＰＵｌ｜ＪＧＰＵ２ｌ……ＩＧＰＵ“
娩稷｜｜搜程ｌＪ蛙程
图４双线程池
４平台＋插件化设计
“平台＋插件”软件体系结构是近年来在软件开发中逐渐
开始流行的一种面向构件的软件开发方法［Ｓｌ，之所以选用这种
结构，是基于信号监测业务发展的长期性和多样化的特点。一
方面，在检测和识别算法的实现上，任何一种实用的算法都需
要经过一个漫长的过程，通过不断的改进和升级，才能最终完
善起来；另一方面，监测业务的需求是不断变化的，各种新体
制信号的出现，都需要新的算法来与之适应，而一个稳定和可
靠的运行平台可以保证算法的稳健性，并提高其可复性。
基于上述原因的考虑，从软件模型的角度出发，最自然的
想法就是让每种算法保证自身的独立｝生，并通过某种接口，插
入主程序中，实现集成与交互，当需要时，只需对算法部分做
修改或重新插入其他算法模块进行替代，就可以实现不同的
功能㈧。因此基于插件模型设计的作业平台至少包括２个主要
部分，插件和使用
插件的平台，另
外，在逻辑和实现
上，插件接口和公
共函数库也是必
不可少的，它们之
间的关系如图５
所示。
万方数据
９２
运行框架：运行框架的职责有２个，对内负责各种任务插
件的识别、加载和卸载，线程池规模的设置与运行。对外则提
供一种统一的接口访问形式，获取插件的访问接口，实现对插
件的参数化以及运行控制，它本身并不知道每个插件具体要
做什么，仅仅是在恰当的时候调用插件来完成具体的功能，如
下所示：
①插件接口：并不负责任何具体的业务和实现，仅仅是作
为一种协议，来规范插件的开发；
②插件：是基于插件接口实现实际功能的实体，插件的功
能不受插件接口的影响，但必须要遵守插件接口规定的所有
接口协议，在这里，插件的最终形式为ＤＬＬ动态库；
③公共函数库：是一个独立的动态库，将插件和运行框架
常用的函数或类库放在一个独立的运行库中，而不是集成到
运行框架中，既利于降低插件对运行框架的依赖性，又可以降
低运行平台内核的复杂度，提高运行速度和稳定性，通常是将
能够固化下来的常用算法和函数放入公共函数库中。
的开发维护，达到了提高模块通用性和降低数据处理算法在
ＧＰＵ实现上复杂度的目的。实际工程应用测试结果表明，该
ＣＰＵ＋ＧＰＵ完全能够胜任大数据复杂且专项业务的实时性工
作需求，在对复杂数据进行处理时，能力表现更佳。
参考文献
［１］仇德元．ＧＰＵ编程技术一从ＧＬＳＬ、ＣＵＤＡ到ＯｐｅｎＣＬ［Ｍ］．
北京：机械工业出版社，２０１１．
【２１
Ｋｒｉｋ
ＤＢ，Ｈｗｕ
Ｗｅｎ—ｍｅｉ．Ｐｒｏｇｒａｍｍａｎｇ
Ｍａｓｓｉｖｅｌｙ
Ｐａｒａｌｌｅｌ
Ｐｒｏｃｅｓｓｏｒｓ：ＡＨａｎｄｓ—ｏｎ
Ａｐｐｒｏａｃｈ［Ｍ］．北京：清华大学出版
社．２（）１０．
【３】Ｊｏｓｅｌｌｉ
Ｍ，ＺａｍｉｔｈＭ，Ｃｌｕａ
Ｅ，ｅｔ
ａ１．Ａｎ
Ａｄａｐｔａｔｉｖｅ
Ｇａｍｅ
Ｌｏｏｐ
Ａｒｃｈｉｔｅｃｔｕｒｅ
ｗｉｔｈ
ＡｕｔｏｍａｔｉｃＤｉｓｔｒｉｂｕｔｉｏｎ
ｏｆＴａｓｋｓｂｅｔｅｅｎ
ＣＰＵａｎｄ
ＧＰＵ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ
ｉｎ
Ｅｎｔｅｒｔａｉｎｍｅｎｔ（ＣＩＥ）
一ＳＰＥＣＩＡＬ
ＩＳＳＵＥ：Ｇａｍｅｓ，２００９，４（７）：５０．
［４］高翔，张金登．基于线程池的多任务并行处理模型Ⅱ】指挥信
息系统与技术，２０１２，３（４）：５４－５６．
５结束语
本文提出了一种软件插件平台＋双线程池的解决方案，
通过插件平台完成了业务层与数据处理实现层的分离和各自
（上接第８９页）
［５］王志坚，费玉奎，娄渊清．软件构件技术及其应用【Ｍ］．北京：科
学出版社，２００５．
［６］刘立芳．基于ＭＶＣ模式与插件式设计的开发架构的探讨
与实践Ｕ］．电脑编程技巧与维护，２０１２（１２）：３３—３５．
参考文献
［１］王宏旭．基于飞思卡尔智能车的视频导航控制技术研究
【Ｄ］．沈阳：沈阳理工大学，２０１４．
［２］段振兴．基于ＭＣ９Ｓ１２８的摄像头导航智能车的设计与实
现Ⅱ］甘肃科技纵横，２０１１（３）：１１—１３
【３】卓晴，王王ｉ｛｝，王磊．基于面阵ＣＣＤ的赛道参数检测方法
３．３实验结果
经过垂直和水平２个方向的矫正处理后的赛道效果如图
４所示。可以看出经过畸变矫正后的赛道图像与实际的赛道基本
—致，算法运算实时｝生强，很好的满足了计算和控制的需要。
飞雌卜
（ａ）经过畸变校正的效果图
㈣实际的赛道
图４变校正后的最终效果比对
【Ｉ】．电子产品世界，２０（）６（７）：１４１—１４３
【４］方川，曾龙，魏洪川．摄像头智能车硬件设计方案Ｕ】．电子
产品世界，２０１０（３）：５０－５２．
【５】程钊，万齐齐，唐旋来，等．智能车道路识别及控制研究Ⅱ］伺
服控制．２０１３７（６）：４９－５
１．
１６】６董秀成，杨栩．基于视觉的智能车道路检测与转向控制策略
研究［『】．西华大学学报，２０１０，４（２）：２—３．
【７］曹凯，于少伟，周芦芦基于动态目标位置的智能车辆控制
４结束语
在垂直和水平方向对视觉图像进行畸变校正后，分别经
过相应方向上的坐标变换，就可以得到更接近实际效果的图
像，为后面计算赛道参数提供了准确的输入信息。实验结果表
研究Ｕ】信息与控制，２００８，１４（４）：２３－２５．
［８］Ｑｉｕｓｈｉ
Ｓｃｉｅｎｃｅ
ａｎｄ
Ｔｅｃｈｎｏｌｏｇｙ．ｎａｖｉｇａｔｉｏｎ
ｆｏｒ
ｔｙｐｉｃａｌ
ｍｏｄｕｌｅ
ｅｘａｍｐｌｅｓｄｅｓｉｇｎ
ｏｆＭＣＵ［Ｊ］．Ｐｏｓｔｓ
３７５．
ａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ
Ｎｅｗｓ
Ｐｒｅｓｓ，２００４，３（２）：３６５
【９】刘明，王洪军，李永科．基于智能车中摄像头的图像采集的
研究Ｕ］电子设计工程，２０１２（１７）：１５８—１６０
【１０】田敏雄，沈庆宏，曹凤莲，等基于图像空间变换和插值运算
的投影仪梯形校正法Ⅱ】电子测量技术，２００７（３）：１０—１２
明，校正算法运算实时｝生强，经过校正后的赛道信息与实际的
赛道基本一致，可以满足计算和控制的需要。
９３
万方数据