在Nvidia GPU上执行3d激光雷达同步定位和映射(SLAM)。

基于加速鲁棒特征的目标识别包括特征提取、特征描述和特征匹配三个步骤。本例执行特征提取，这是SURF算法的第一步。这里使用的算法基于OpenSURF库实现。这个例子展示了如何使用GPU Coder™通过CUDA®代码生成来解决这个计算密集型问题。

从MATLAB代码生成CUDA®MEX，并在两幅图像之间执行特征匹配。本示例使用图像处理工具箱™中的matchFeatures函数来匹配两个相互旋转和缩放的图像之间的特征描述符。利用SURF算法对两幅图像的特征描述符进行检测和提取。

生成CUDA®MEX用于MATLAB®函数，可以检测和输出图像上的车道标记边界。该示例将RGB图像作为输入，并使用图像处理工具箱™中的ordfilt2、hough、houghpeaks和houghlines函数来生成车道检测输出图像。

演示了用CUDA®MEX函数从MATLAB®函数生成的图像边缘检测。边缘检测算法采用半精度数据类型实现。

为Simulink®模型生成CUDA®代码，可以检测和输出图像上的车道标记边界。此示例将RGB图像作为输入，并使用imresize，rgb2gray，ordfilt2(图像处理工具箱),脚腕(图像处理工具箱),houghpeaks(图像处理工具箱)和houghlines(图像处理工具箱)作为图像处理工具箱™的一部分，用于检测车道标记的函数。本例主要介绍如何使用houghlines函数在GPU上进行车道检测。

一个典型的雾校正算法的实现。本例使用conv2，im2gray,imhist(图像处理工具箱)功能。此示例与雾校正示例非常相似。本示例介绍了以下概念:GPU环境验证。