opencv rtsp 硬件解码-Toy模板网

这篇具有很好参考价值的文章主要介绍了opencv rtsp 硬件解码。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

讨论使用opencv的reader

硬件解码的方案有太多种，如果使用ffmpeg硬件解码是最方便的，不方便的是把解码过后的GPU 拉到 CPU 上，再使用opencv的Mat 从cpu 上上载到gpu上，是不是多了两个过程，应该是直接从GPU mat 直接去处理，最后一步再从GPU mat 上下载到cpu，render显示。

GPU 硬件解码是nv12 格式，我们为了显示和cpu使用直接转成了RGB或者BGR，使用opencv再映射封装，最后又上载到cuda，这个过程很耗时间，而且不是必要的。

windows下使用cuda

经过实验，cv::cudacodec::createVideoReader 是可以拉取rtsp 流的，官方编译的可以读取rtsp，但是在文件流上出了问题，而且还有一个bug，就是在显示的时候，必须关闭一次窗口，才能显示后续的帧，而且还有一点，就是注意这个窗口必须是opengl 窗口，而且要打开这个窗口，而且在编译支持cuda的opencv时必须把opengl 勾选上，所以达不到产品化的要求，以下是测试代码：

#include <iostream>

#include "opencv2/opencv_modules.hpp"

#if defined(HAVE_OPENCV_CUDACODEC)

#include <string>
#include <vector>
#include <algorithm>
#include <numeric>
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/core/opengl.hpp>
#include <opencv2/cudacodec.hpp>
#include <opencv2/highgui.hpp>

#if _DEBUG
#pragma comment(lib,"opencv_world460.lib")
#else 
#pragma comment(lib,"opencv_world460.lib")
#endif
int main()
{
    cv::cuda::printCudaDeviceInfo(cv::cuda::getDevice());
    int count = cv::cuda::getCudaEnabledDeviceCount();
    printf("GPU Device Count : %d \n", count);
    const std::string fname("rtsp://127.0.0.1/101-640.mkv"); //视频文件
   // const std::string fname("test_222.mp4"); //视频文件

   // cv::namedWindow("CPU", cv::WINDOW_NORMAL);
    cv::namedWindow("GPU", cv::WINDOW_OPENGL);
    cv::cuda::setGlDevice();

    cv::Mat frame;
    cv::VideoCapture reader(fname);

    cv::cuda::GpuMat d_frame;
    cv::Ptr<cv::cudacodec::VideoReader> d_reader = cv::cudacodec::createVideoReader(fname);

    cv::TickMeter tm;
    std::vector<double> cpu_times;
    std::vector<double> gpu_times;

    int gpu_frame_count = 0, cpu_frame_count = 0;
#if 0
    for (;;)
    {
        tm.reset(); tm.start();
        if (!reader.read(frame))
            break;
        tm.stop();
        cpu_times.push_back(tm.getTimeMilli());
        cpu_frame_count++;

        cv::imshow("CPU", frame);

        if (cv::waitKey(1) > 0)
            break;
    }
#endif
    for (;;)
    {
        tm.reset();
        tm.start();
        if (!d_reader->nextFrame(d_frame))
            break;
        tm.stop();

        //d_frame.step = d_frame.cols * d_frame.channels();

        //cv::cuda::GpuMat gpuMat_Temp = d_frame.clone();

        gpu_times.push_back(tm.getTimeMilli());
        gpu_frame_count++;
        if (gpu_frame_count > 2)
        {
            cv::Mat test;
            d_frame.download(test);
            d_frame.release();
            // cv::cvtColor(test, test, cv::COLOR_BGRA2BGR);
             //cv::imwrite("./test1.jpg", test);
            cv::imshow("GPU", test);
            
        }
        if (cv::waitKey(1) > 0)
            break;
    }

    if (!cpu_times.empty() && !gpu_times.empty())
    {
        std::cout << std::endl << "Results:" << std::endl;

        std::sort(cpu_times.begin(), cpu_times.end());
        std::sort(gpu_times.begin(), gpu_times.end());

        double cpu_avg = std::accumulate(cpu_times.begin(), cpu_times.end(), 0.0) / cpu_times.size();
        double gpu_avg = std::accumulate(gpu_times.begin(), gpu_times.end(), 0.0) / gpu_times.size();

        std::cout << "CPU : Avg : " << cpu_avg << " ms FPS : " << 1000.0 / cpu_avg << " Frames " << cpu_frame_count << std::endl;
        std::cout << "GPU : Avg : " << gpu_avg << " ms FPS : " << 1000.0 / gpu_avg << " Frames " << gpu_frame_count << std::endl;
    }

    return 0;
}

经过release版本的测试，cuda硬件解码比cpu慢很多，我cpu是intel 13代 13700，速度很快，gpu是3060ti，实际测试就是如此。
说明在windows下实际类里面解码的时候在cpu和gpu上转换的时间太多
opencv rtsp 硬件解码,ffmpeg,音视频和c++，java 物联网,python,opencv,人工智能,计算机视觉
综上所述，必须使用更为简单的方法，放弃windows上的做法，放到linux上， ffmpeg硬件解码然后映射到gpu mat上，至于解码ffmpeg 可以看我的其他文章，至于ffmpeg 编解码 nvidia 上官网也是有介绍的：
编译ffmpeg
使用python和linux，使用python的作用是取消c++ 到python之间的内存共享，在windows上编译pynvcodec 会遇到各种问题，建议在linux 编译 pynvcodec，为什么不使用ffmpeg直接解码，因为：我们使用ffmpeg解码得到的YUV格式，我们只能在CPU下转化到RGB的色彩空间，缺少在GPU上进行全部转化的流程，因此我们使用vpf 来进行python上的视频处理，同时结束时可以直接转化成pytorch的张量来处理。

VideoProcessingFramework（VPF）是NVIDIA开源的适用于Python的视频处理框架，可用于硬件加速条件下的视频编解码等处理类任务。同时对于Pytorch比较友好，能够将解析出来的图像数据直接转化成Tensor()的格式。以下为例子：

import PyNvCodec as nvc
import PytorchNvCodec as pnvc  
  
   while True:
        # Read data.
        # Amount doesn't really matter, will be updated later on during decode.
        bits = proc.stdout.read(read_size)
        if not len(bits):
            print("Can't read data from pipe")
            break
        else:
            rt += len(bits)

        # Decode
        enc_packet = np.frombuffer(buffer=bits, dtype=np.uint8)
        pkt_data = nvc.PacketData()
        try:
            surf = nvdec.DecodeSurfaceFromPacket(enc_packet, pkt_data)    # 获取流的数据

            # Convert to planar RGB
            rgb_pln = to_rgb.run(surf)   # 转换到rgb_pln
            if rgb_pln.Empty():
                break

            # PROCESS YOUR TENSOR HERE.
            # THIS DUMMY PROCESSING JUST ADDS RANDOM ROTATION.
            src_tensor = surface_to_tensor(rgb_pln)  # 转化为Tensor(),数据存储在GPU中
            dst_tensor = T.RandomRotation(degrees=(-1, 1))(src_tensor)
            surface_rgb = tensor_to_surface(dst_tensor, gpu_id)

            # Convert back to NV12
            dst_surface = to_nv12.run(surface_rgb) # 再转换回码流
            if src_surface.Empty():
                break

        # Handle HW exceptions in simplest possible way by decoder respawn
        except nvc.HwResetException:
            nvdec = nvc.PyNvDecoder(w, h, f, c, g)
            continue

使用gstreamer

近来来opencv的下载是一个问题，动不动就下载出错，使用gstreamer 在windows下和ffmpeg 差不离，编译也比较麻烦，我们尽量在linux下编译

sudo apt-get update 
sudo apt-get install build-essential cmake git pkg-config 
sudo apt-get install libjpeg8-dev libtiff4-dev libjasper-dev libpng12-dev 
sudo apt-get install libgtk2.0-dev 
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev 
sudo apt-get install libatlas-base-dev gfortran 
//在opencv里面安装gstreamer插件 
sudo apt-get install gstreamer1.0-tools gstreamer1.0-alsa gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav 
sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreamer-plugins-good1.0-dev libgstreamer-plugins-bad1.0-dev 

cd /home/opencv 
git clone https://github.com/opencv.git 
cd opencv 
git checkout 4.7.0 
cd /home/opencv 
nkdir build 
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D CUDA_GENERATION=Kepler .. 
make -j4 
sudo make install

int main()
{
   // std::cout << cv::getBuildInformation() << std::endl;

    using std::chrono::steady_clock;
    typedef std::chrono::milliseconds milliseconds_type;
    const int interval = 15;

    std::stringstream ss;
    std::string rtsp_url = "rtsp://127.0.0.1/101-640.mkv";
    size_t latency = 200;
    size_t frame_width = 1920;
    size_t frame_height = 1080;
    size_t framerate = 15;

    ss << "rtspsrc location=" << rtsp_url << " latency=" << latency << " ! application/x-rtp, media=video, encoding-name=H264 "
        << "! rtph264depay ! video/x-h264, clock-rate=90000, width=" << frame_width << ", height=" << frame_height << ", framerate="
        << framerate << "/1 ! nvv4l2decoder ! video/x-raw(memory:NVMM), width=" << frame_width << ", height=" << frame_height
        << ", framerate=" << framerate << "/1 ! nvvideoconvert ! video/x-raw, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink";
    std::cout << ss.str() << std::endl;

    cv::VideoCapture cap = cv::VideoCapture(ss.str(), cv::CAP_GSTREAMER);
    if (!cap.isOpened())
    {
        std::cerr << "error to open camera." << std::endl;
        return -1;
    }
    std::cout << cv::getBuildInformation() << std::endl;
    cv::Mat frame;
    steady_clock::time_point start = steady_clock::now();
    size_t frame_idx = 0;

    while (1)
    {
        bool ret = cap.read(frame);
        if (ret)
        {
            // cv::imwrite("tmp.jpg", frame);
            ++frame_idx;
        }
        if (frame_idx % interval == 0)
        {
            steady_clock::time_point end = steady_clock::now();
            milliseconds_type span = std::chrono::duration_cast<milliseconds_type>(end - start);
            std::cout << "it took " << span.count() / frame_idx << " millisencods." << std::endl;
            start = end;
        }
    }
    return 0;
}

一点一点排除，在windows上很难复现很多代码，很多都是不稳当的做法，只能做做demo，完全产品化不了，我们目前稳定的做法，1 是使用live555 ，下拉 rtsp，ffmpeg 硬件解码，转成mat，转成gpumat，再转成mat。这个方案不断修改吧。等我更新。

jetson

2024-1-3 日
今天又测试了在jetson上进行rtsp 和车载摄像头解码播放，使用omxh264dec进行硬件解码,使用gstremer 和 opencv 结合的方式是最简单的
def open_cam_rtsp(uri, width, height, latency):
gst_str = ('rtspsrc location={} latency={} ! ’
'rtph264depay ! h264parse ! omxh264dec ! ’
'nvvidconv ! ’
'video/x-raw, width=(int){}, height=(int){}, ’
'format=(string)BGRx ! ’
‘videoconvert ! appsink’).format(uri, latency, width, height)
return cv2.VideoCapture(gst_str, cv2.CAP_GSTREAMER)文章来源地址https://www.toymoban.com/news/detail-621014.html

到了这里，关于opencv rtsp 硬件解码的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！