在Nvidia GPU上执行3-D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由特征提取、特征描述和特征匹配三个步骤组成。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，并在两幅图像之间进行特征匹配。本示例使用图像处理工具箱™中的matchFeatures函数来匹配两张相互旋转和缩放的图像之间的特征描述符。利用SURF算法检测和提取两幅图像的特征描述符。

为MATLAB®函数生成CUDA®MEX，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。

演示了从MATLAB®函数生成的CUDA®MEX函数在图像中的边缘检测。边缘检测算法采用半精度数据类型实现。

生成Simulink®模型的CUDA®代码，可以检测万博1manbetx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)是图像处理工具箱™的一部分，用于检测车道标记的功能。本例非常接近GPU上使用houghlines函数的车道检测。

一种典型的雾校正算法的实现。示例使用conv2，im2gray,imhist(图像处理工具箱)功能。这个例子非常接近雾净化的例子。本例中涉及的概念如下:GPU环境校验。