一文詳解OpenCV中的CUDA模塊
加入技術(shù)交流群
如果您使用OpenCV已有一段時間，那么您應(yīng)該已經(jīng)注意到，在大多數(shù)情況下，OpenCV都使用CPU，這并不總能保證您所需的性能。為了解決這個問題，OpenCV在2010年增加了一個新模塊，該模塊使用CUDA提供GPU加速。您可以在下面找到一個展示GPU模塊優(yōu)勢的基準(zhǔn)測試：
簡單列舉下本文要交代的幾個事情：
概述已經(jīng)支持CUDA的OpenCV模塊。
看一下cv :: gpu :: GpuMat（cv2.cuda_GpuMat）。
了解如何在CPU和GPU之間傳輸數(shù)據(jù)。
了解如何利用多個GPU。
編寫一個簡單的演示（C ++和Python），以了解OpenCV提供的CUDA API接口并計算我們可以獲得的性能提升。
一、支持的模塊
據(jù)稱，盡管并未涵蓋所有庫的功能，但該模塊“仍在繼續(xù)增長，并正在適應(yīng)新的計算技術(shù)和GPU架構(gòu)?！?/p>
讓我們看一下CUDA加速的OpenCV的官方文檔。在這里，我們可以看到已支持的模塊：
Core part
Operations on Matrices
Background Segmentation
Video Encoding/Decoding
Feature Detection and Description
Image Filtering
Image Processing
Legacy support
Object Detection
Optical Flow
Stereo Correspondence
Image Warping
Device layer
二、GpuMat
為了將數(shù)據(jù)保留在GPU內(nèi)存中，OpenCV引入了一個新的類cv :: gpu :: GpuMat（或Python中的cv2.cuda_GpuMat）作為主要數(shù)據(jù)容器。其界面類似于cv :: Mat（cv2.Mat），從而使向GPU模塊的過渡盡可能平滑。值得一提的是，所有GPU函數(shù)都將GpuMat接收為輸入和輸出參數(shù)。通過這種在代碼中鏈接了GPU算法的設(shè)計，您可以減少在CPU和GPU之間復(fù)制數(shù)據(jù)的開銷。
三、CPU/GUP數(shù)據(jù)傳遞
要將數(shù)據(jù)從GpuMat傳輸?shù)組at，反之亦然，OpenCV提供了兩個函數(shù)：
上傳，將數(shù)據(jù)從主機內(nèi)存復(fù)制到設(shè)備內(nèi)存
下載，將數(shù)據(jù)從設(shè)備內(nèi)存復(fù)制到主機內(nèi)存。
以下是用C ++寫的一個簡單示例：
#include <opencv2/highgui.hpp>
#include <opencv2/cudaimgproc.hpp>
cv::Mat img = cv::imread("image.png", IMREAD_GRAYSCALE);
cv::cuda::GpuMat dst, src;
src.upload(img);
cv::Ptr<cv::cuda::CLAHE> ptr_clahe = cv::cuda::createCLAHE(5.0, cv::Size(8, 8));
ptr_clahe->apply(src, dst);
cv::Mat result;
dst.download(result);
cv::imshow("result", result);
cv::waitKey();四、多個GPU的使用
默認(rèn)情況下，每種OpenCV CUDA算法都使用單個GPU。如果需要利用多個GPU，則必須在GPU之間手動分配工作。要切換活動設(shè)備，請使用cv :: cuda :: setDevice（cv2.cuda.SetDevice）函數(shù)。
五、代碼示例
OpenCV提供了有關(guān)如何使用C ++ API在GPU支持下與已實現(xiàn)的方法一起使用的示例。讓我們在使用Farneback的算法進(jìn)行密集光流計算的示例中，實現(xiàn)一個簡單的演示，演示如何將CUDA加速的OpenCV與C ++一起使用。
我們首先來看一下如何使用CPU來完成此操作。然后，我們將使用GPU進(jìn)行相同的操作。最后，我們將比較經(jīng)過的時間以計算獲得的加速比。
FPS計算
由于我們的主要目標(biāo)是找出算法在不同設(shè)備上的運行速度，因此我們需要選擇測量方法。在計算機視覺中，這樣做的常用方法是計算每秒處理的幀數(shù)（FPS）。
CPU端
1.視頻及其屬性
我們將從視頻捕獲初始化開始，并獲取其屬性，例如幀頻和幀數(shù)。這部分是CPU和GPU部分的通用部分：
// init video capture with video
VideoCapture capture(videoFileName);
if (!capture.isOpened())
{
// error in opening the video file
cout << "Unable to open file!" << endl;
return;
}
// get default video FPS
double fps = capture.get(CAP_PROP_FPS);
// get total number of video frames
int num_frames = int(capture.get(CAP_PROP_FRAME_COUNT));2.讀取第一幀
由于算法的特殊性，該算法使用兩幀進(jìn)行計算，因此我們需要先讀取第一幀，然后再繼續(xù)。還需要一些預(yù)處理，例如調(diào)整大小并轉(zhuǎn)換為灰度：
// read the first frame
cv::Mat frame, previous_frame;
capture >> frame;
if (device == "cpu")
{
// resize frame
cv::resize(frame, frame, Size(960, 540), 0, 0, INTER_LINEAR);
// convert to gray
cv::cvtColor(frame, previous_frame, COLOR_BGR2GRAY);
// declare outputs for optical flow
cv::Mat magnitude, normalized_magnitude, angle;
cv::Mat hsv[3], merged_hsv, hsv_8u, bgr;
// set saturation to 1
hsv[1] = cv::Mat::ones(frame.size(), CV_32F);3.讀取并預(yù)處理其他幀
在循環(huán)讀取其余幀之前，我們啟動兩個計時器：一個計時器將跟蹤整個流程的工z作時間，第二個計時器–讀取幀時間。由于Farneback的光流法適用于灰度幀，因此我們需要確保將灰度視頻作為輸入傳遞。這就是為什么我們首先對其進(jìn)行預(yù)處理以將每幀從BGR格式轉(zhuǎn)換為灰度的原因。另外，由于原始分辨率可能太大，因此我們將其調(diào)整為較小的尺寸，就像對第一幀所做的一樣。我們再設(shè)置一個計時器來計算在預(yù)處理階段花費的時間：
while (true)
{
// start full pipeline timer
auto start_full_time = high_resolution_clock::now();
// start reading timer
auto start_read_time = high_resolution_clock::now();
// capture frame-by-frame
capture >> frame;
if (frame.empty())
break;
// end reading timer
auto end_read_time = high_resolution_clock::now();
// add elapsed iteration time
timers["reading"].push_back(duration_cast<milliseconds>(end_read_time - start_read_time).count() / 1000.0);
// start pre-process timer
auto start_pre_time = high_resolution_clock::now();
// resize frame
cv::resize(frame, frame, Size(960, 540), 0, 0, INTER_LINEAR);
// convert to gray
cv::Mat current_frame;
cv::cvtColor(frame, current_frame, COLOR_BGR2GRAY);
// end pre-process timer
auto end_pre_time = high_resolution_clock::now();
// add elapsed iteration time
timers["pre-process"].push_back(duration_cast<milliseconds>(end_pre_time - start_pre_time).count() / 1000.0);4.計算密集光流
我們使用稱為calcOpticalFlowFarneback的方法來計算兩幀之間的密集光流：
// start optical flow timer auto start_of_time = high_resolution_clock::now(); // calculate optical flow cv::Mat flow; calcOpticalFlowFarneback(previous_frame, current_frame, flow, 0.5, 5, 15, 3, 5, 1.2, 0); // end optical flow timer auto end_of_time = high_resolution_clock::now(); // add elapsed iteration time timers["optical flow"].push_back(duration_cast<milliseconds>(end_of_time - start_of_time).count() / 1000.0);
5.后處理
Farneback的“光流法“輸出二維流矢量。我們將這些輸出轉(zhuǎn)換為極坐標(biāo)，以通過色相獲得流動的角度（方向），并通過HSV顏色表示的值獲得流動的距離（幅度）。對于可視化，我們現(xiàn)在要做的就是將結(jié)果轉(zhuǎn)換為BGR空間。之后，我們停止所有剩余的計時器以獲取經(jīng)過的時間：
// start post-process timer auto start_post_time = high_resolution_clock::now(); // split the output flow into 2 vectors cv::Mat flow_xy[2], flow_x, flow_y; split(flow, flow_xy); // get the result flow_x = flow_xy[0]; flow_y = flow_xy[1]; // convert from cartesian to polar coordinates cv::cartToPolar(flow_x, flow_y, magnitude, angle, true); // normalize magnitude from 0 to 1 cv::normalize(magnitude, normalized_magnitude, 0.0, 1.0, NORM_MINMAX); // get angle of optical flow angle *= ((1 / 360.0) * (180 / 255.0)); // build hsv image hsv[0] = angle; hsv[2] = normalized_magnitude; merge(hsv, 3, merged_hsv); // multiply each pixel value to 255 merged_hsv.convertTo(hsv_8u, CV_8U, 255); // convert hsv to bgr cv::cvtColor(hsv_8u, bgr, COLOR_HSV2BGR); // update previous_frame value previous_frame = current_frame; // end post pipeline timer auto end_post_time = high_resolution_clock::now(); // add elapsed iteration time timers["post-process"].push_back(duration_cast<milliseconds>(end_post_time - start_post_time).count() / 1000.0); // end full pipeline timer auto end_full_time = high_resolution_clock::now(); // add elapsed iteration time timers["full pipeline"].push_back(duration_cast<milliseconds>(end_full_time - start_full_time).count() / 1000.0);
6.可視化
我們將尺寸調(diào)整為960×540的原始幀可視化，并使用imshow函數(shù)顯示結(jié)果：
// visualization
imshow("original", frame);
imshow("result", bgr);
int keyboard = waitKey(1);
if (keyboard == 27)
break;這是一個示例“ boat.mp4”視頻的內(nèi)容：
7.時間和FPS計算
我們要做的就是計算流程中每一步花費的時間，并測量光流部分和整個流程的FPS：
// elapsed time at each stage
cout << "Elapsed time" << std::endl;
for (auto const& timer : timers)
{
cout << "- " << timer.first << " : " << accumulate(timer.second.begin(), timer.second.end(), 0.0) << " seconds"<< endl;
}
// calculate frames per second
cout << "Default video FPS : " << fps << endl;
float optical_flow_fps = (num_frames - 1) / accumulate(timers["optical flow"].begin(), timers["optical flow"].end(), 0.0);
cout << "Optical flow FPS : " << optical_flow_fps << endl;
float full_pipeline_fps = (num_frames - 1) / accumulate(timers["full pipeline"].begin(), timers["full pipeline"].end(), 0.0);
cout << "Full pipeline FPS : " << full_pipeline_fps << endl;GPU端
該算法在將其移至CUDA時保持不變，但在GPU使用方面存在一些差異。讓我們再次遍歷整個流程，看看有什么變化：
1.視頻及其屬性
此部分在CPU和GPU部分都是通用的，因此保持不變。
2.讀取第一幀
注意，我們使用相同的CPU函數(shù)來讀取和調(diào)整大小，但是將結(jié)果上傳到cv :: cuda :: GpuMat（cuda_GpuMat）實例：
// resize frame cv::resize(frame, frame, Size(960, 540), 0, 0, INTER_LINEAR); // convert to gray cv::cvtColor(frame, previous_frame, COLOR_BGR2GRAY); // upload pre-processed frame to GPU cv::cuda::GpuMat gpu_previous; gpu_previous.upload(previous_frame); // declare cpu outputs for optical flow cv::Mat hsv[3], angle, bgr; // declare gpu outputs for optical flow cv::cuda::GpuMat gpu_magnitude, gpu_normalized_magnitude, gpu_angle; cv::cuda::GpuMat gpu_hsv[3], gpu_merged_hsv, gpu_hsv_8u, gpu_bgr; // set saturation to 1 hsv[1] = cv::Mat::ones(frame.size(), CV_32F); gpu_hsv[1].upload(hsv[1]);
3.讀取和預(yù)處理其它幀
while (true)
{
// start full pipeline timer
auto start_full_time = high_resolution_clock::now();
// start reading timer
auto start_read_time = high_resolution_clock::now();
// capture frame-by-frame
capture >> frame;
if (frame.empty())
break;
// upload frame to GPU
cv::cuda::GpuMat gpu_frame;
gpu_frame.upload(frame);
// end reading timer
auto end_read_time = high_resolution_clock::now();
// add elapsed iteration time
timers["reading"].push_back(duration_cast<milliseconds>(end_read_time - start_read_time).count() / 1000.0);
// start pre-process timer
auto start_pre_time = high_resolution_clock::now();
// resize frame
cv::cuda::resize(gpu_frame, gpu_frame, Size(960, 540), 0, 0, INTER_LINEAR);
// convert to gray
cv::cuda::GpuMat gpu_current;
cv::cuda::cvtColor(gpu_frame, gpu_current, COLOR_BGR2GRAY);
// end pre-process timer
auto end_pre_time = high_resolution_clock::now();
// add elapsed iteration time
timers["pre-process"].push_back(duration_cast<milliseconds>(end_pre_time - start_pre_time).count() / 1000.0);4.計算密集光流
我們首先使用cv :: cuda :: FarnebackOpticalFlow :: create（cv2.cudaFarnebackOpticalFlow.create）創(chuàng)建cudaFarnebackOpticalFlow類的實例，然后調(diào)用cv :: cuda：FarnebackOpticalFlow :: calc（cv2.cuda_FarnebackOpticalFlow.calc）計算兩個幀之間的光流，而不是使用cv :: calcOpticalFlowFarneback（cv2.calcOpticalFlowFarneback）函數(shù)調(diào)用。
// start optical flow timer auto start_of_time = high_resolution_clock::now(); // create optical flow instance Ptr<cuda::FarnebackOpticalFlow> ptr_calc = cuda::FarnebackOpticalFlow::create(5, 0.5, false, 15, 3, 5, 1.2, 0); // calculate optical flow cv::cuda::GpuMat gpu_flow; ptr_calc->calc(gpu_previous, gpu_current, gpu_flow); // end optical flow timer auto end_of_time = high_resolution_clock::now(); // add elapsed iteration time timers["optical flow"].push_back(duration_
cast<milliseconds>(end_of_time - start_of_time).count() / 1000.0);
5.后處理
對于后處理，我們使用與CPU端使用的功能相同的GPU變體：
// start post-process timer auto start_post_time = high_resolution_clock::now(); // split the output flow into 2 vectors cv::cuda::GpuMat gpu_flow_xy[2]; cv::cuda::split(gpu_flow, gpu_flow_xy); // convert from cartesian to polar coordinates cv::cuda::cartToPolar(gpu_flow_xy[0], gpu_flow_xy[1], gpu_magnitude, gpu_angle, true); // normalize magnitude from 0 to 1 cv::cuda::normalize(gpu_magnitude, gpu_normalized_magnitude, 0.0, 1.0, NORM_MINMAX, -1); // get angle of optical flow gpu_angle.download(angle); angle *= ((1 / 360.0) * (180 / 255.0)); // build hsv image gpu_hsv[0].upload(angle); gpu_hsv[2] = gpu_normalized_magnitude; cv::cuda::merge(gpu_hsv, 3, gpu_merged_hsv); // multiply each pixel value to 255 gpu_merged_hsv.cv::cuda::GpuMat::convertTo(gpu_hsv_8u, CV_8U, 255.0); // convert hsv to bgr cv::cuda::cvtColor(gpu_hsv_8u, gpu_bgr, COLOR_HSV2BGR); // send original frame from GPU back to CPU gpu_frame.download(frame); // send result from GPU back to CPU gpu_bgr.download(bgr); // update previous_frame value gpu_previous = gpu_current; // end post pipeline timer auto end_post_time = high_resolution_clock::now(); // add elapsed iteration time timers["post-process"].push_back(duration_cast<milliseconds>(end_post_time - start_post_time).count() / 1000.0); // end full pipeline timer auto end_full_time = high_resolution_clock::now(); // add elapsed iteration time timers["full pipeline"].push_back(duration_cast<milliseconds>(end_full_time - start_full_time).count() / 1000.0);
可視化、時間和FPS計算與CPU端相同。
結(jié)果
現(xiàn)在，我們可以在示例視頻中比較來自CPU和GPU版本的指標(biāo)。
我們用于CPU的配置為：
Intel Core i7-8700
Configuration
- device : cpu
- video file : video/boat.mp4
Number of frames: 320
Elapsed time
- full pipeline : 37.355 seconds
- reading : 3.327 seconds
- pre-process : 0.027 seconds
- optical flow : 32.706 seconds
- post-process : 0.641 seconds
Default video FPS : 29.97
Optical flow FPS : 9.75356
Full pipeline FPS : 8.53969
用于GPU的配置為：
Nvidia GeForce GTX 1080 Ti
Configuration
- device : gpu
- video file : video/boat.mp4
Number of frames: 320
Elapsed time
- full pipeline : 8.665 seconds
- reading : 4.821 seconds
- pre-process : 0.035 seconds
- optical flow : 1.874 seconds
- post-process : 0.631 seconds
Default video FPS : 29.97
Optical flow FPS : 170.224
Full pipeline FPS : 36.8148
當(dāng)我們使用CUDA加速時，這使光流計算的速度提高了約17倍！但是不幸的是，我們生活在現(xiàn)實世界中，并不是所有的流程階段都可以加速。因此，對于整個流程，我們只能獲得約4倍的加速。
總結(jié)
本文我們概述了GPU OpenCV模塊并編寫了一個簡單的演示，以了解如何加速Farneback的Optical Flow算法。我們研究了OpenCV為該模塊提供的API，您也可以重用該API來嘗試使用CUDA加速OpenCV算法。
*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。
