OpenCV4 | 如何让传统图像处理实现三十倍加速的顶级技能

上面的文章中已经详细交代了。安装好之后我们就完成了第一步操作。

OpenCV+CMake编译

02

首先安装好CMake，下载地址如下：

其次需要下载OpenCV与OpenCV扩展模块的源代码，地址如下：

下载好之后解压缩到D盘指定目录即可。

打开CMake，设置好源码路径与编译输出路径之后，显示如下：

点击【configure】目标，弹出对话框选择如下：

然后点击【Finish】完成config之后，再点击【generate】按钮。

编译CUDA与扩展模块

完成上述操作之后，然后找到OPENCV_EXTRA_MODULE_PATH设置扩展模块的源代码路径。设置以后，在搜索框中输入CUDA，

上述两个选项打勾之后，再次点击【configure】按钮，完成之后，显示如下：

对CUDA_FAST_MATH选项打勾，然后执行【Generate】按钮。最终CMake的结果如下：

这个时候去cudabuild这里目录下，双击打开OpenCV.sln（VS2015工程文件），选择CMake_Targets -> ALL_BUILD，然后右键->生成，完成之后，再选择INSTALL右键生成。这个过程时间会比较久一点，估计会有一个小时到两个小时左右，跟电脑性能有关系。完成之后，你就会看到再cudabuild目录下多出一个install目录，这个就是我们编译得到支持CUDA版本的OpenCV。打开检查一下：

我的是今天早晨刚刚完成编译的。然后按照正常的OpenCV配置，配置好VS2015+OpenCV开发环境。如果还不知道怎么配置，看这里：

这里需要特别注意一点，我这里没有勾选生成opencv_world，主要是怕编译过程中有模块出错，会导致生产失败，所以就每个模块生成一个lib/dll的库。配置的lib链接器的时候，需要把下面的库文件全部加入：

opencv_aruco410d.lib

opencv_bgsegm410d.lib

opencv_bioinspired410d.lib

opencv_calib3d410d.lib

opencv_ccalib410d.lib

opencv_core410d.lib

opencv_cudaarithm410d.lib

opencv_cudabgsegm410d.lib

opencv_cudacodec410d.lib

opencv_cudafeatures2d410d.lib

opencv_cudafilters410d.lib

opencv_cudaimgproc410d.lib

opencv_cudalegacy410d.lib

opencv_cudaobjdetect410d.lib

opencv_cudaoptflow410d.lib

opencv_cudastereo410d.lib

opencv_cudawarping410d.lib

opencv_cudev410d.lib

opencv_datasets410d.lib

opencv_dnn410d.lib

opencv_dnn_objdetect410d.lib

opencv_dpm410d.lib

opencv_face410d.lib

opencv_features2d410d.lib

opencv_flann410d.lib

opencv_fuzzy410d.lib

opencv_gapi410d.lib

opencv_hfs410d.lib

opencv_highgui410d.lib

opencv_imgcodecs410d.lib

opencv_imgproc410d.lib

opencv_img_hash410d.lib

opencv_line_deor410d.lib

opencv_ml410d.lib

opencv_objdetect410d.lib

opencv_optflow410d.lib

opencv_phase_unwrapping410d.lib

opencv_photo410d.lib

opencv_plot410d.lib

opencv_quality410d.lib

opencv_reg410d.lib

opencv_rgbd410d.lib

opencv_saliency410d.lib

opencv_shape410d.lib

opencv_stereo410d.lib

opencv_stitching410d.lib

opencv_structured_light410d.lib

opencv_superres410d.lib

opencv_surface_matching410d.lib

opencv_text410d.lib

opencv_tracking410d.lib

opencv_video410d.lib

opencv_videoio410d.lib

opencv_videostab410d.lib

opencv_xfeatures2d410d.lib

opencv_ximgproc410d.lib

opencv_xobjdetect410d.lib

opencv_xphoto410d.lib

特别提醒，千万不要copy我的，因为也许你的版本不是OpenCV4.1.0，或者你的编译生成有模块失败，没有我这么多lib文件。这样我们就完成了CUDA编译支持。这里需要特别注意的，在VS2015编译阶段，必须先选择ALL_BUILD，切记！

OpenCV代码测试与运行

03

OpenCV4支持CUDA运行的模块，主要包括 图像处理、视频读写、视频分析、传统的对象检测包括HOG、级联检测器、特征提取部分、卷积滤波与图像二值分析、图像分割模块。这里我在OpenCV提供的示例代码基础上稍加改动，实现了一个基于背景分割的视频分析程序:

#include<iostream>

#include<string>

#include"opencv2/core.hpp"

#include"opencv2/core/utility.hpp"

#include"opencv2/cudabgsegm.hpp"

#include"opencv2/video.hpp"

#include"opencv2/highgui.hpp"

usingnamespacestd;

usingnamespacecv;

usingnamespacecv::cuda;

enumMethod

{

MOG,

MOG2,

};

intmain(intargc, constchar** argv)

{

Method m = MOG;

intcount = cuda::getCudaEnabledDeviceCount;

printf( "GPU Device Count : %d n", count);

VideoCapture cap;

cap.open( "D:/images/video/example_dsh.mp4");

Mat frame;

cap >> frame;

GpuMat d_frame(frame);

Ptr<BackgroundSubtractor> mog = cuda::createBackgroundSubtractorMOG;

Ptr<BackgroundSubtractor> mog2 = cuda::createBackgroundSubtractorMOG2;

GpuMat d_fgmask;

GpuMat d_fgimg;

GpuMat d_bgimg;

Mat fgmask;

Mat fgimg;

Mat bgimg;

switch(m)

{

caseMOG:

mog->apply(d_frame, d_fgmask, 0.01);

break;

caseMOG2:

mog2->apply(d_frame, d_fgmask);

break;

}

namedWindow( "image", WINDOW_AUTOSIZE);

namedWindow( "foreground mask", WINDOW_AUTOSIZE);

namedWindow( "foreground image", WINDOW_AUTOSIZE);

namedWindow( "mean background image", WINDOW_AUTOSIZE);

for(;;)

{

cap >> frame;

if(frame.empty)

break;

int64 start = cv::getTickCount;

d_frame.upload(frame);

//update the model

switch(m)

{

caseMOG:

mog->apply(d_frame, d_fgmask, 0.01);

mog->getBackgroundImage(d_bgimg);

break;

caseMOG2:

mog2->apply(d_frame, d_fgmask);

mog2->getBackgroundImage(d_bgimg);

break;

}

d_fgimg.create(d_frame.size, d_frame.type);

d_fgimg.setTo(Scalar::all( 0));

d_frame.copyTo(d_fgimg, d_fgmask);

d_fgmask.download(fgmask);

d_fgimg.download(fgimg);

if(!d_bgimg.empty)

d_bgimg.download(bgimg);

imshow( "foreground mask", fgmask);

imshow( "foreground image", fgimg);

if(!bgimg.empty)

imshow( "mean background image", bgimg);

doublefps = cv::getTickFrequency / (cv::getTickCount - start);

// std::cout << "FPS : " << fps << std::endl;

putText(frame, format( "FPS : %.2f", fps), Point( 50, 50), FONT_HERSHEY_SIMPLEX, 1.0, Scalar( 0, 0, 255), 2, 8);

imshow( "image", frame);

charkey = ( char)waitKey( 1);

if(key == 27)

break;

}

return0;

}

在我的电脑上 基于1080P的视频文件

• CPU版本的运行是大概在2FPS
• GPU版本CUDA加速运行大概在 80 FPS

• CPU版本的运行是大概在2FPS
• GPU版本CUDA加速运行大概在 80 FPS

怎么说，完全是碾压式的速度优势。看来以后视频处理必须CUDA版本才过瘾。来自官方的更多加速比较图示如下：

测试1920x1080大小的视频文件，处理帧率如下：

可以说完全实时无压力！

模块支持与应用场景

04

既然CUDA加速这么厉害，为什么OpenCV在正式的release中却没有包含呢？本人觉得OpenCV正式的官方Release版本主要是考虑普适性的问题。另外OpenCV在3.x到4.x升级的时候把CUDA支持从release移到扩展模块中去了，官方也没有解释为什么，我个人感觉更多的是出于商业考虑。

此外OpenCV中DNN模块已经支持OpenVINO加速执行与NCS2加速、所以OpenCV DNN模块不支持英伟达显卡加速支持，支持的模块大部分是以前的传统图像处理、对象检测、特征匹配、双目、图像拼接部分，其实这些对我们已经十分有用，大大扩展了OpenCV的应用场景、另外千万不要随便使用CUDA加速，有些简单的算法，OpenCV已经做的很好了，加速的效果并不明显，不信可以看下面的这个例子：

有点是车祸现场，原因很好解释。这个是因为OpenCV中使用CUDA需要把Mat对象数据上传到CUDA支持单元，完成处理以后再下载到Mat对象上，对一些简单的图像处理，这个操作很容易成为性能瓶颈，从而降低了加速效应。

欢迎扫码加入【OpenCV研习社】 返回搜狐，查看更多