使用OpenCV4實現(xiàn)硬件級別加速
點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達
本文使用一個向量點乘的例子，來展示universal intrinsics的的提速。
我們有兩個向量vec1和vec2，將對應(yīng)元素相乘，然后累加起來。計算公式為：
sum=vec1[0]*vec2[0] + vec1[1]*vec2[1]+?... +?vec1[n]*vec2[n].
如果采用純C語言，兩個行向量的點乘實現(xiàn)如下（如代碼顯示不完整，可以左右滑動；或橫屏閱讀）
float dotproduct_c_float(Mat vec1, Mat vec2)
{
float * pV1 = vec1.ptr(0);
float * pV2 = vec2.ptr(0);
float sum = 0.0f;
for (size_t c = 0; c < vec1.cols; c++)
{
sum += pV1[c] * pV2[c];
}
return sum;
}
如果采用OpenCV的universal intrinsics，兩個行向量的點乘實現(xiàn)如下：
（注意：下面函數(shù)僅為展示原理，未考慮數(shù)組長度不是16（32或64）字節(jié)倍數(shù)情況）
float dotproduct_simd_float(Mat vec1, Mat vec2)
{
float * pV1 = vec1.ptr(0);
float * pV2 = vec2.ptr(0);
size_t step = sizeof(v_float32)/sizeof(float);
//向量元素全部初始化為零
v_float32 v_sum = vx_setzero_f32();
for (size_t c = 0; c < vec1.cols; c+=step)
{
v_float32 v1 = vx_load(pV1+c);
v_float32 v2 = vx_load(pV2+c);
//把乘積累加
v_sum += v1 * v2;
}
//把向量里的所有元素求和
float sum = v_reduce_sum(v_sum);
return sum;
}
例程使用Open AI Lab的EAIDK-310開發(fā)板，OpenCV4.2.0，CPU型號為是RK3228H，采用ARM四核64位處理器 ，四核Cortex-A53，最高1.3GHz。兩個例子的編譯命令分別如下（注意：皆采用了-O3選項以提速）：
g++ dotproduct-c.cpp -o dotproduct-c -O3 -I/usr/local/include/opencv4 -lopencv_coreg++?dotproduct-simd.cpp?-o?dotproduct-simd?-O3?-I/usr/local/include/opencv4?-lopencv_core運行耗時如下圖
從兩個函數(shù)的耗時可以看出，采用OpenCV的universal intrinsics后耗時僅為一半，速度翻倍。
兩個例程的完整源代碼如下。首先是C語言版本的dotproduct-c.cpp：
#include
using namespace cv;
float dotproduct_c_float(Mat vec1, Mat vec2)
{
float * pV1 = vec1.ptr(0);
float * pV2 = vec2.ptr(0);
float sum = 0.0f;
for (size_t c = 0; c < vec1.cols; c++)
{
sum += pV1[c] * pV2[c];
}
return sum;
}
int main(int argc, char ** argv)
{
Mat vec1(1, 16*1024*1024, CV_32FC1);
Mat vec2(1, 16*1024*1024, CV_32FC1);
vec1.ptr(0)[2]=3.3f;
vec2.ptr(0)[2]=2.0f;
double t = 0.0;
t = (double)getTickCount();
float sum = dotproduct_c_float(vec1, vec2);
t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000;
printf("C time = %gms\n", t);
printf("sum=%g\n", sum);
return 0;
}
dotproduct-simd.cpp如下：
#include
#include
#include
using namespace cv;
float dotproduct_simd_float(Mat vec1, Mat vec2)
{
float * pV1 = vec1.ptr(0);
float * pV2 = vec2.ptr(0);
size_t step = sizeof(v_float32)/sizeof(float);
//向量元素全部初始化為零
v_float32 v_sum = vx_setzero_f32();
for (size_t c = 0; c < vec1.cols; c+=step)
{
v_float32 v1 = vx_load(pV1+c);
v_float32 v2 = vx_load(pV2+c);
//把乘積累加
v_sum += v1 * v2;
}
//把向量里的所有元素求和
float sum = v_reduce_sum(v_sum);
return sum;
}
int main(int argc, char ** argv)
{
Mat vec1(1, 16*1024*1024, CV_32FC1);
Mat vec2(1, 16*1024*1024, CV_32FC1);
vec1.ptr(0)[2]=3.3f;
vec2.ptr(0)[2]=2.0f;
double t = 0.0;
t = (double)getTickCount();
float sum = dotproduct_simd_float(vec1, vec2);
t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000;
printf("SIMD time = %gms\n", t);
printf("sum=%g\n", sum);
return 0;
}
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~