从视频图像处理技术诞生开始，由于开始的视频图像数据量较小和人们对信息的需要量较少，视频图像处理技术面临的主要问题是提取信息的精度问题和效果问题。然而随着实际应用中视频图像数据的增大和分辨率的提高，视频图像处理算法的性能成为制约视频图像实时处理的关键要素，虽然经过多年研究，它仍然是一个热点研究领域。

为了解决视频图像处理的实时性问题，人们探索了多个解决方式。一方面继续按照摩尔定律增加晶体管的数量和优化CPU算法以提升CPU的处理性能，但是在TB甚至PB量级的数据规模下传统的方式遇到能耗和散热的问题；另一方面，随着并行计算的不断发展和编程模型的不断完善，很好地解决了当前视频图像处理面临数据量的飞速增长和海量数据分析处理带来的性能问题。

近年来，GPU计算能力和可编程性不断提高，为这一问题的解决带来了真正的契机。与CPU相比，GPU具有更高的计算能力和访存带宽，大规模细粒度并行的特性也可以充分挖掘算法的并行特性，这将极大提升图像处理算法的性能。2014年，NVIDIA发布了NVIDIA Tegra K1移动处理器。NVIDIA Tegra K1计算平台是由包含192个NVIDIA CUDA核心的NVIDIA Kepler GPU和四核ARM Cortex-A15CPU组成的异构计算平台。因其具有强大的数据处理能力、体积小和低能耗等多个优点而被广泛应用于游戏、安放实时监控和智能驾驶等领域。本章工作主要利用了NVIDIA Tegra K1计算平台中的GPU。(www.daowen.com)

GPU优化工作一直是一个难点，本章主要参考NVIDIA官网文档和相关文献，从全局内存访存效率、数据本地化和条件分支三个方面，提出了针对异构计算平台Kepler GPU特性和大多数图像处理算法的高效的、通用的若干优化策略，以及实现一个高效的Canny边缘检测算法。