OpenCV4.4 CUDA编译与加速全解析

川长思鸟来 2022-12-13 04:19 152阅读 0赞

## OpenCV4.4 CUDA编译与加速全解析 ##

原创 gloomyfish OpenCV学堂

OpenCV4.4 + CUDA概述

OpenCV4.4中关于CUDA加速的内容主要有两个部分，第一部分是之前OpenCV支持的图像处理与对象检测传统算法的CUDA加速；第二部分是OpenCV4.2版本之后开始支持的针对深度学习卷积神经网络模型的CUDA加速。这些内容都在OpenCV的扩展模块中，想要获取这OpenCV CUDA的支持，必须首先编译OpenCV CUDA相关的模块，这里主要是开展模块以CUDA开头的那些。此外编译的电脑或者PC必须有N卡（英伟达GPU卡），并且按照好了正确版本的驱动与cuDNN支持软件。本文分为两个部分来说明如何在OpenCV中实现CUDA加速，第一部分是实现CUDA支持版本OpenCV编译，第二部分是OpenCV CUDA SDK编程代码演示。

**OpenCV+CUDA编译与配置**

首先说一下系统与相关软件版本：

>  *  Window 10 x64
>  *  VS2015专业版
>  *  CMake 3.17.1
>  *  OpenCV4.4.0
>  *  OpenCV\_contrib-4.4.0
>  *  CUDA10.0
>  *  cuDNN7.0

**OpenCV4.4下载地址**

https://github.com/opencv/opencv/releases/download/4.4.0/opencv-4.4.0-vc14_vc15.exe

**OpenCV4.4扩展模块下载地址：**

https://github.com/opencv/opencv_contrib/archive/4.4.0.zip

下载好OpenCV4.4极其扩展模块之后，我们就开始下面的编译步骤。

**第一步：**打开CMake，设置好下面的目录路径，注意源代码路径需要指向真实的OpenCV的source目录。图示如下：

![79f8c44db5b5d93738585b5d8481336a.png][]

第一次运行，记得参数选择x64

![ae396c3c98712bb1bf4efb9b71c73bf7.png][]

如果成功运行了config之后，请继续完成下面的设置。

**第二步：**设置扩展模块路径，勾选所有CUDA选项再次点击config

![82773ff06f74bef69a2075d358e250e4.png][]

![ceb5d439b20d30e6dbc4320e0a64795d.png][]

点击config运行之后，再点击generate安装，如果一切OK即可完成CMake部分，下面就是到build的目录下：

D:\opencv-4.4.0\opencv\cudabuild

双击打开OpenCV.sln工程文件，切换到release模型下，右键点击ALL\_BUILD选择【生成….】运行完成，再次右键选择install，选择【生成…】这两次过程都会比较漫长，编译完成之后，就会得到intall目录，我们需要的就是它，其它都可以删掉了。这样我们就完成了OpenCV CUDA的编译。

**注意点：**

可能看我编译最多30分钟完成这些操作（等待时间不计在内），但是第一次这么干的新手会遇到各种问题，其中最常见的一个网络问题就是无法下载第三方库，导致CMake编译失败，这里时候需要手动下载一下，然后copy到

D:\opencv-4.4.0\opencv\sources\3rdparty

文件下对于目录内即可。

在config的扩展模块的时候，请去掉所有test相关的模块，然后选择不编译opencv\_face模块，原因是它会下载一些东西，但是网络无法连接，这样就可以cmake失败。

完成了整个编译过程之后，生成install之后就可以来配置OpenCV CUDA支持啦！跟配置正常OpenCV4版本相似，唯一不同的就是这里没有opencv\_world440.lib文件了，而且根据各个模型生成lib，需要把这些lib全部添加到链接器中，然后把库目录与包含目录原来指向目录都改到指向编译以后的install内相关目录路径，把vc14/bin目录添加环境变量中去。重启VS2015，即可完成全部配置过程。

**上述步骤的详细操作，****B站视频**，直接这里观看！

https://www.bilibili.com/video/BV1Rp4y1a7cm/

**CUDA加速演示**

OpenCV支持传统的图像处理的CUDA加速，从OpenCV4.2开始支持深度神经网络的CUDA加速，因此在OpenCV4.4中，CUDA是既可以加速传统的图像处理，特征与对象检测；又可以支持深度神经网络的CUDA加速。下面的代码首先查询相关GPU

1cuda::printCudaDeviceInfo(cuda::getDevice());
    2int count = cuda::getCudaEnabledDeviceCount();
    3if (count > 0) {
    4    printf("GPU Device Count : %d \n", count);
    5}

**设备信息，代码与运行截图如下：**

![395a58031afcd4459588daf36867388f.png][]

**DNN人脸检测加速**

**CPU上运行OpenCV DNN人脸检测：**

![1a15b5b12244d6f29709c1d298d67971.png][]

**GPU上运行OpenCV DNN人脸检测：**

![a125d78301c3c8b5890f007c902cb2b7.png][]

**视频背景分析**

![5cf6907e67e9f59194b6a4697633ae41.png][]

可以看出，无论是对传统图像处理的视频背景分析，还是基于深度学习DNN人脸检测，OpenCV CUDA都可以取得很好的加速效果。

**注意：**OpenCV4.4的CUDA导入跟之前的方式有所不同，模型头文件更加模块化，需要导入的头文件如下：

1#include <opencv2/cudaarithm.hpp>
    2#include <opencv2/cudaoptflow.hpp>
    3#include <opencv2/cudaimgproc.hpp>
    4#include <opencv2/cudafeatures2d.hpp>
    5#include <opencv2/cudaobjdetect.hpp>
    6#include <opencv2/cudawarping.hpp>
    7#include <opencv2/cudafilters.hpp>

[79f8c44db5b5d93738585b5d8481336a.png]: /images/20221123/8b54272ea578463caf0233182f7d0283.png
[ae396c3c98712bb1bf4efb9b71c73bf7.png]: /images/20221123/e73689cd9904433e9b241b161e0da42e.png
[82773ff06f74bef69a2075d358e250e4.png]: /images/20221123/79cd933f93df45cea55c3c47790c6de5.png
[ceb5d439b20d30e6dbc4320e0a64795d.png]: /images/20221123/afd9aa3c64a34440984d7a9ce25d1bae.png
[395a58031afcd4459588daf36867388f.png]: /images/20221123/1850f1c5999c4b20833b3f9fb3d8085f.png
[1a15b5b12244d6f29709c1d298d67971.png]: /images/20221123/5c4aade58bbd452085d7d9d912f12d5d.png
[a125d78301c3c8b5890f007c902cb2b7.png]: /images/20221123/37e4b34097804b38af46d2a81a5a796a.png
[5cf6907e67e9f59194b6a4697633ae41.png]: /images/20221123/4070208e0ed844acb58f6f39fa10f469.png