Некоторое время назад я реализовал алгоритм анализа Procrustes в Python, и недавно мне сказали перенести его на OpenCV / C ++. После его завершения я выполнил несколько тестов, и для тех же входных данных / экземпляров код C ++ занимает вдвое больше времени, чем код Python (примерно 8 против 4 секунд, соответственно. Я повторяю тесты тысячу раз, просто чтобы убедиться, что я не измеряю их за слишком малый период). Я озадачен этими результатами.
Я использовал gprof, чтобы попытаться понять, что происходит, но я не могу сказать, что много ошибаюсь, кроме того факта, что cv :: Mat :: ~ Mat () отнимает 34,67% времени выполнения и вызывается в 100+ раз чаще, чем любые другие функции. Не уверен, что мне следует с этим делать, если только я не должен заменить cv :: Mats для std :: vectors или raw-массивов, оба из которых могут показаться мне плохой практикой.
void align(const cv::Mat& points, const cv::Mat& pointsRef, cv::Mat& res, cv::Mat& ops) {
cv::Mat pts(points.rows, points.cols, CV_64FC1);
cv::Mat ptsRef(points.rows, points.cols, CV_64FC1);
points.copyTo(pts);
pointsRef.copyTo(ptsRef);
cv::Mat avgs = meanOfColumns(pts);
for(int i = 0; i < avgs.cols; i++) {
pts.col(i) -= avgs.col(i);
}
cv::Mat avgsR = meanOfColumns(ptsRef);
for(int i = 0; i < avgsR.cols; i++) {
ptsRef.col(i) -= avgsR.col(i);
}
cv::Mat x2(pts.rows, 1, CV_64FC1);
cv::Mat y2(pts.rows, 1, CV_64FC1);
cv::Mat x2R(pts.rows, 1, CV_64FC1);
cv::Mat y2R(pts.rows, 1, CV_64FC1);
cv::pow(pts.col(0), 2, x2);
cv::pow(pts.col(1), 2, y2);
cv::pow(ptsRef.col(0), 2, x2R);
cv::pow(ptsRef.col(1), 2, y2R);
cv::Mat sqrootP(pts.rows, 1, CV_64FC1);
cv::Mat sqrootPR(pts.rows, 1, CV_64FC1);
cv::sqrt(x2R + y2R, sqrootPR);
cv::sqrt(x2 + y2, sqrootP);
double offsetS = (cv::mean(sqrootPR) / cv::mean(sqrootP))[0];
pts *= offsetS;
cv::Mat rot(pts.rows, 1, CV_64FC1);
cv::Mat rotR(pts.rows, 1, CV_64FC1);
rot = arctan2(pts.col(1), pts.col(0));
rotR = arctan2(ptsRef.col(1), ptsRef.col(0));
double offsetR = -cv::mean((rot - rotR))[0];
cv::Mat angRot(pts.rows, 1, CV_64FC1);
angRot = rot + offsetR;
cv::Mat dist(pts.rows, 1, CV_64FC1);
cv::pow(pts.col(0), 2, x2);
cv::pow(pts.col(1), 2, y2);
cv::sqrt(x2 + y2, dist);
copyColumn(dist.mul(cosine(angRot)), res, 0, 0);
copyColumn(dist.mul(sine(angRot)), res, 0, 1);
ops.at<double>(0, 0) = -avgs.at<double>(0, 0);
ops.at<double>(0, 1) = -avgs.at<double>(0, 1);
ops.at<double>(0, 2) = offsetS * cv::cos(offsetR / RADIANS_TO_DEGREES);
ops.at<double>(0, 3) = offsetS * cv::sin(offsetR / RADIANS_TO_DEGREES);
}
Это код для выравнивания 2 наборов точек. Он вызывает некоторые функции, которые не показаны, но они просты, и я могу объяснить их при необходимости, хотя я надеюсь, что названий достаточно, чтобы понять, что они делают.
Я обычный программист на C ++, не волнуйтесь, ребята.
Похоже, что Игнасио Васкес-Абрамс имеет правильную идею. Более краткий / прямой пример:
#include <boost/date_time/posix_time/posix_time.hpp>
#include <cv.hpp>
#include <iostream>
using namespace boost::posix_time;
int main() {
cv::Mat m1(1000, 1000, CV_64FC1);
cv::Mat m2(1000, 1000, CV_64FC1);
ptime firstValue( microsec_clock::local_time() );
for(int i = 0; i < 10; i++) {
cv::Mat m3 = m1 * m2;
}
ptime secondValue( microsec_clock::local_time() );
time_duration diff = secondValue - firstValue;
std::cout << diff.seconds() << "." << diff.fractional_seconds() << " microsec" << std::endl;
}
Это занимает около 14 с на моей машине. Сейчас Python:
import datetime
import numpy as np
if __name__ == '__main__':
print datetime.datetime.now()
m1 = np.zeros((1000, 1000), dtype=float)
m2 = np.zeros((1000, 1000), dtype=float)
for i in range(1000):
m3 = np.dot(m1, m2)
print datetime.datetime.now()
Это занимает 4+ секунды, хотя пример C ++ делает это только 10 раз, в то время как Python (Fortran) делает это 1000 раз.
Ну ладно, время обновления.
Я просмотрел код Python, который использовал, и понял, что он загружает только подмножество точек (около 5%) ... Это означает, что мои тесты C ++ на самом деле выполняли примерно в 20 раз больше экземпляров, чем код Python, поэтому Код C ++ на самом деле примерно в 10 раз быстрее, так как код был только в два раза медленнее. Тем не менее, кажется, что numpy имеет удар OpenCV в некоторых операциях.