OpenCV4.X CUDA编译与加速全解析

OpenCV4.x CUDA概述

OpenCV4.x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

代码语言：javascript复制

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：

代码语言：javascript复制

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：

第一次运行，记得参数选择x64

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

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：

代码语言：javascript复制

D:opencv-4.4.0opencvcudabuild

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

代码语言：javascript复制

D:opencv-4.4.0opencvsources3rdparty

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！

代码语言：javascript复制

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

代码语言：javascript复制

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：

DNN人脸检测加速

CPU上运行OpenCV DNN人脸检测：

GPU上运行OpenCV DNN人脸检测：

视频背景分析

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：

代码语言：javascript复制

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>

扫码查看OpenCV OpenVIO Pytorch系统化学习路线图