1. 浮点数据定点化；

cv::Mat tmp1 = values * 1000000;
tmp1.convertTo(tmp1, CV_32SC1);
cv::Mat tmp2 = this->weights * 1000000;
tmp2.convertTo(tmp2, CV_32SC1);
cv::Mat tmp(tmp1.rows, tmp2.cols, CV_64FC1);
tmp = tmp1 * tmp2 / 1000000000000.0f;
tmp.convertTo(tmp, CV_32FC1);

View Code

opencv中cv::Mat数据矩阵乘法，需要各个数据的类型是一样的，且需要注意数据溢出问题，以及矩阵乘法支持Mat矩阵的数据类型（type）只能是 CV_32FC1、 CV_64FC1、 CV_32FC2、 CV_64FC2 这4种类型中的其中一种。定点化一般指的是两个浮点数据转换为整形数据相乘，这样才能加速，而我们的转换过程矩阵乘法一直都是浮点数据相乘，所以对加速没用，甚至会增加额外的转换过程的耗时。

2. 使用eigen库运算；

3. 使用加速优化的编译选项;

使用浮点运算；使用neon;可以使用不同的架构选项、ARM选项等等；

QMAKE_CXXFLAGS += -march=armv8 -mfloat-abi=hard -mfpu=vfpv4-d16 -mfpu=neon

4. 使用多线程；

注意互斥锁和信号量；

5. 使用多核并行编程；

openmp

 

 

参考

1. ​​eigen​​;

2. ​​GNU_GCC​​;

3. ​​openmp_MSDN​​;

4. ​​openmp_example_smallpt​​;

5. ​​openmp_org​​;

完