一文详解OpenCV中的CUDA模块

最新推荐文章于 2024-04-27 15:39:20 发布

Tom Hardy

最新推荐文章于 2024-04-27 15:39:20 发布

阅读量2.1k

点赞数 1

文章标签：人工智能编程语言 opencv 大数据机器学习

如果您使用OpenCV已有一段时间，那么您应该已经注意到，在大多数情况下，OpenCV都使用CPU，这并不总能保证您所需的性能。为了解决这个问题，OpenCV在2010年增加了一个新模块，该模块使用CUDA提供GPU加速。您可以在下面找到一个展示GPU模块优势的基准测试：

简单列举下本文要交代的几个事情：

概述已经支持CUDA的OpenCV模块。
看一下cv :: gpu :: GpuMat（cv2.cuda_GpuMat）。
了解如何在CPU和GPU之间传输数据。
了解如何利用多个GPU。
编写一个简单的演示（C ++和Python），以了解OpenCV提供的CUDA API接口并计算我们可以获得的性能提升。

一、支持的模块

据称，尽管并未涵盖所有库的功能，但该模块“仍在继续增长，并正在适应新的计算技术和GPU架构。”

让我们看一下CUDA加速的OpenCV的官方文档。在这里，我们可以看到已支持的模块：

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

为了将数据保留在GPU内存中，OpenCV引入了一个新的类cv :: gpu :: GpuMat（或Python中的cv2.cuda_GpuMat）作为主要数据容器。其界面类似于cv :: Mat（cv2.Mat），从而使向GPU模块的过渡尽可能平滑。值得一提的是，所有GPU函数都将GpuMat接收为输入和输出参数。通过这种在代码中链接了GPU算法的设计，您可以减少在CPU和GPU之间复制数据的开销。

三、CPU/GUP数据传递

要将数据从GpuMat传输到Mat，反之亦然，OpenCV提供了两个函数：

上传，将数据从主机内存复制到设备内存
下载，将数据从设备内存复制到主机内存。

以下是用C ++写的一个简单示例：

#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、多个GPU的使用

默认情况下，每种OpenCV CUDA算法都使用单个GPU。如果需要利用多个GPU，则必须在GPU之间手动分配工作。要切换活动设备，请使用cv :: cuda :: setDevice（cv2.cuda.SetDevice）函数。

五、代码示例

OpenCV提供了有关如何使用C ++ API在GPU支持下与已实现的方法一起使用的示例。让我们在使用Farneback的算法进行密集光流计算的示例中，实现一个简单的演示，演示如何将CUDA加速的OpenCV与C ++一起使用。

我们首先来看一下如何使用CPU来完成此操作。然后，我们将使用GPU进行相同的操作。最后，我们将比较经过的时间以计算获得的加速比。

FPS计算

由于我们的主要目标是找出算法在不同设备上的运行速度，因此我们需要选择测量方法。在计算机视觉中，这样做的常用方法是计算每秒处理的帧数（FPS）。

CPU端

1.视频及其属性

我们将从视频捕获初始化开始，并获取其属性，例如帧频和帧数。这部分是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.读取第一帧

由于算法的特殊性，该算法使用两帧进行计算，因此我们需要先读取第一帧，然后再继续。还需要一些预处理，例如调整大小并转换为灰度：

// 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.读取并预处理其他帧

在循环读取其余帧之前，我们启动两个计时器：一个计时器将跟踪整个流程的工z作时间，第二个计时器–读取帧时间。由于Farneback的光流法适用于灰度帧，因此我们需要确保将灰度视频作为输入传递。这就是为什么我们首先对其进行预处理以将每帧从BGR格式转换为灰度的原因。另外，由于原始分辨率可能太大，因此我们将其调整为较小的尺寸，就像对第一帧所做的一样。我们再设置一个计时器来计算在预处理阶段花费的时间：

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.计算密集光流

我们使用称为calcOpticalFlowFarneback的方法来计算两帧之间的密集光流：

// 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.后处理

Farneback的“光流法“输出二维流矢量。我们将这些输出转换为极坐标，以通过色相获得流动的角度（方向），并通过HSV颜色表示的值获得流动的距离（幅度）。对于可视化，我们现在要做的就是将结果转换为BGR空间。之后，我们停止所有剩余的计时器以获取经过的时间：

// 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.可视化

我们将尺寸调整为960×540的原始帧可视化，并使用imshow函数显示结果：

// visualization 
imshow("original", frame); 
imshow("result", bgr); 
int keyboard = waitKey(1); 
if (keyboard == 27) 
    break;

这是一个示例“ boat.mp4”视频的内容：

7.时间和FPS计算

我们要做的就是计算流程中每一步花费的时间，并测量光流部分和整个流程的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

该算法在将其移至CUDA时保持不变，但在GPU使用方面存在一些差异。让我们再次遍历整个流程，看看有什么变化：

1.视频及其属性

此部分在CPU和GPU部分都是通用的，因此保持不变。

2.读取第一帧

注意，我们使用相同的CPU函数来读取和调整大小，但是将结果上传到cv :: cuda :: GpuMat（cuda_GpuMat）实例：

// 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.读取和预处理其它帧

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.计算密集光流

我们首先使用cv :: cuda :: FarnebackOpticalFlow :: create（cv2.cudaFarnebackOpticalFlow.create）创建cudaFarnebackOpticalFlow类的实例，然后调用cv :: cuda：FarnebackOpticalFlow :: calc（cv2.cuda_FarnebackOpticalFlow.calc）计算两个帧之间的光流，而不是使用cv :: calcOpticalFlowFarneback（cv2.calcOpticalFlowFarneback）函数调用。

// 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.后处理

对于后处理，我们使用与CPU端使用的功能相同的GPU变体：

// 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);

可视化、时间和FPS计算与CPU端相同。

结果

现在，我们可以在示例视频中比较来自CPU和GPU版本的指标。

我们用于CPU的配置为：

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的配置为：

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

当我们使用CUDA加速时，这使光流计算的速度提高了约17倍！但是不幸的是，我们生活在现实世界中，并不是所有的流程阶段都可以加速。因此，对于整个流程，我们只能获得约4倍的加速。

总结

本文我们概述了GPU OpenCV模块并编写了一个简单的演示，以了解如何加速Farneback的Optical Flow算法。我们研究了OpenCV为该模块提供的API，您也可以重用该API来尝试使用CUDA加速OpenCV算法。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「计算机视觉工坊」公众号后台回复：深度学习，即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。

下载2

在「计算机视觉工坊」公众号后台回复：计算机视觉，即可下载计算机视觉相关17本pdf书籍，包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。

下载3

在「计算机视觉工坊」公众号后台回复：SLAM，即可下载独家SLAM相关视频课程，包含视觉SLAM、激光SLAM精品课程。

重磅！计算机视觉工坊-学习交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有ORB-SLAM系列源码学习、3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近3000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~

Tom Hardy

关注

1
点赞
踩
24

收藏

觉得还不错? 一键收藏
0
评论
一文详解OpenCV中的CUDA模块

如果您使用OpenCV已有一段时间，那么您应该已经注意到，在大多数情况下，OpenCV都使用CPU，这并不总能保证您所需的性能。为了解决这个问题，OpenCV在2010年增加了一个新模块，...
复制链接

扫一扫