CUDA版Grabcut的实现

　　在上次用 CUDA实现导向滤波 后，想着导向滤波能以很小的mask还原高分辨率下的边缘，能不能搞点事情出来，当时正好在研究Darknet框架，然后又看到grabcut算法，用opencv试了下，感觉效果有点意思，后面想了下，这几个可以连在一起，先读取高分辨率的图像，然后用降低分辨率先通过yolov3算出人物框(非常稳定，不跳,几乎不会出现有人而找不到的情况)，再用grabcut算出低mask,然后用这个mask结合原图用导向滤波得到高分辨率下清晰边缘的分割图，最后再把CUDA算出的结果直接丢给UE4/Unity3D的对应DX11中。

　　先放出cuda版grabcut的效果图。

　　

　　 当然opencv本身提供的grabcut是用cpu算的，416*416差不多有个几桢左右，肯定不满足要求，所以在这个前提下，用Cuda来实现整个grabcut整个流程。

　　因要集成到UE4/Untiy3D对应软件中，在window本台下，我们首先需要如下。

　　1 拿到darknet源码，C风格代码，说实话，没想过能看到这种短小精湛的深度学习模型框架，带cuda与cudnn,直接在VS下建一个动态链接库，把相应代码放进来，不多，改动几个Linux下的函数，包含编译符GPU与CUDNN,然后修改darknet.h这个函数，dllexport这个文件下函数，后期还可以改下，这个文件下的编译符移到别的位置，pthread头文件的引用这些，以及可以直接传入GPU数据这几点。opencv4虽然已经有yolo3的实现，但是我们要GPU的，后续的操作几乎全在GPU上。

　　2 我们主要是参照opencv里的grabcut实现，为了更好的参数一些数据，我们最好编译自己的opencv版本,我是用的opencv-4.0.0-alpha，比较老的一个版本，需要带opencv_contrib，包含opencv_cuda相关的模块，主要是后期我们实现cuda 版grabcut如果不好确认我们是否正常实现就可以调试进去看数据值，看源码，以及用GpuMat/PtrStepSz，这个简单封装真的很适合处理图像数据。

　　如上二点完成后，我们可以简单分析下grabcut算法主要由那种算法构成，如何完成一个流程，一次大迭代主要如下，主要是先定框，框内为可能前景区，框外为背景区，二个区域分别为Kmeans分类，然后二个分类的数据分别GMM建立模型，最后用GMM算出最大流算法需要的每点的source/sink,建立graph,用GPU友好的maxflow算法push-relabel得到最小切，也就是mask，然后把mask给GMM重新建立模型然后重复这个过程。

　　如上所说，我们主要实现三种算法，分别是kmeans,gmm,push-relabel。下面如无别的说明，本机给的是在1070下416*416分辨率下的时间。

　　首先讲下kmeans的优化，kmeans的实现比较简单，就是一个不断重新分配中心点至到稳定的过程，其中有个过程是把数据根据前后景分别归类(我们假设聚合为5块)，最直观最简单的方法就是用原子操作。

__global__ void updateClusterAtomic(PtrStepSz<uchar4> source, PtrStepSz<uchar> clusterIndex, kmeansI& meansbg, kmeansI& meansfg)
{
    const int idx = blockDim.x * blockIdx.x + threadIdx.x;
    const int idy = blockDim.y * blockIdx.y + threadIdx.y;
    if (idx < source.cols && idy < source.rows)
    {
        float4 color = rgbauchar42float4(source(idy, idx));
        //背景块,使用kcentersbg,否则使用kcentersfg
        kmeansI& kmeans = (!inRect(idx, idy)) ? meansbg : meansfg;
        int index = clusterIndex(idy, idx);
        atomicAdd(&kmeans.kcenters[index].x, color.x);
        atomicAdd(&kmeans.kcenters[index].y, color.y);
        atomicAdd(&kmeans.kcenters[index].z, color.z);
        atomicAdd(&kmeans.kcenters[index].w, color.w);
    }
}

　　用Nsight看了下时间，花费超过1ms了，我是想到所有线程最后归类时都只操作10块地方，原子操作在这有点把多线程变成有限的几个能同时做事了。　　

　　

　　因此需要换种想法，很简单，不用原子操作，用一部分线程如32*8，遍历最个纹理数据，然后在一个线程里32*8个数据再整合，使用这步后，时间降低0.5ms左右，利用的还不是很完全，毕竟一次kmeans稳定需要遍历十几次左右，这个过程就要了5ms后面就不用搞了，在这基础上，结合共享显存，每个点一个线程先用共享显存处理后放入对应grid块大小的显存中，然后数据除32*8的grid块执行上面的操作，这个操作包含后面统计等加起0.12ms,这样十几次迭代也就不到2ms，不过我没想到的是，从cudaMemcpyDeviceToHost一个int32的四字节Nsight给的时间很低0.001ms，但是从上面的简隔来看，应该有0.1ms了，应该还有一些别的花费，所以很多操作，后续的统计计算我就是用GPU里一个核心来算，也不先download给CPU算然后再upload上来，但是这个操作还没想到办法避免，毕竟需要在CPU上判定是否已经稳定后关闭循环。

//把source所有收集到一块gridDim.x*gridDim.y块数据上。
template<int blockx, int blocky>
__global__ void updateCluster(PtrStepSz<uchar4> source, PtrStepSz<uchar> clusterIndex, PtrStepSz<uchar> mask, float4* kencter, int* kindexs)
{
    __shared__ float3 centers[blockx*blocky][CUDA_GRABCUT_K2];
    __shared__ int indexs[blockx*blocky][CUDA_GRABCUT_K2];
    const int idx = blockDim.x * blockIdx.x + threadIdx.x;
    const int idy = blockDim.y * blockIdx.y + threadIdx.y;
    const int threadId = threadIdx.x + threadIdx.y * blockDim.x;
#pragma unroll CUDA_GRABCUT_K2
    for (int i = 0; i < CUDA_GRABCUT_K2; i++)
    {
        centers[threadId][i] = make_float3(0.f);
        indexs[threadId][i] = 0;
    }
    __syncthreads();
    if (idx < source.cols && idy < source.rows)
    {
        //所有值都放入共享centers
        int index = clusterIndex(idy, idx);
        bool bFg = checkFg(mask(idy, idx));
        int kindex = bFg ? index : (index + CUDA_GRABCUT_K);
        float4 color = rgbauchar42float4(source(idy, idx));
        centers[threadId][kindex] = make_float3(color);
        indexs[threadId][kindex] = 1;
        __syncthreads();
        //每个线程块进行二分聚合,每次操作都保存到前一半数组里，直到最后保存在线程块里第一个线程上(这块比较费时,0.1ms)
        for (uint stride = blockDim.x*blockDim.y / 2; stride > 0; stride >>= 1)
        {
            //int tid = (threadId&(stride - 1));
            if (threadId < stride)//stride 2^n
            {
#pragma unroll CUDA_GRABCUT_K2
                for (int i = 0; i < CUDA_GRABCUT_K2; i++)
                {
                    centers[threadId][i] += centers[threadId + stride][i];
                    indexs[threadId][i] += indexs[threadId + stride][i];
                }
            }
            //if (stride > 32)
            __syncthreads();
        }
        //每块的第一个线程集合，把共享centers存入临时显存块上kencter
        if (threadIdx.x == 0 && threadIdx.y == 0)
        {
            int blockId = blockIdx.x + blockIdx.y * gridDim.x;
#pragma unroll CUDA_GRABCUT_K2
            for (int i = 0; i < CUDA_GRABCUT_K2; i++)
            {
                int id = blockId * 2 * CUDA_GRABCUT_K + i;
                kencter[id] = make_float4(centers[0][i], 0.f);
                kindexs[id] = indexs[0][i];
            }
        }
    }
}

//block 1*1,threads(暂时选32*4),对如上gridDim.x*gridDim.y的数据用blockx*blocky个线程来处理
template<int blockx, int blocky>
__global__ void updateCluster(float4* kencter, int* kindexs, kmeansI& meansbg, kmeansI& meansfg, int& delta, int gridcount)
{
    __shared__ float3 centers[blockx*blocky][CUDA_GRABCUT_K2];
    __shared__ int indexs[blockx*blocky][CUDA_GRABCUT_K2];
    const int threadId = threadIdx.x + threadIdx.y * blockDim.x;
#pragma unroll CUDA_GRABCUT_K2
    for (int i = 0; i < CUDA_GRABCUT_K2; i++)
    {
        centers[threadId][i] = make_float3(0.f);
        indexs[threadId][i] = 0;
    }
    __syncthreads();
    //int gridcount = gridDim.x*gridDim.y;
    int blockcount = blockDim.x*blockDim.y;
    int count = gridcount / blockcount + 1;
    //每块共享变量，每个线程操纵自己对应那块地址，不需要同步,用线程块操作一个大内存
    for (int i = 0; i < count; i++)
    {
        int id = i*blockcount + threadId;
        if (id < gridcount)
        {
#pragma unroll CUDA_GRABCUT_K2
            for (int j = 0; j < CUDA_GRABCUT_K2; j++)
            {
                int iid = id * CUDA_GRABCUT_K2 + j;
                centers[threadId][j] += make_float3(kencter[iid]);
                indexs[threadId][j] += kindexs[iid];
            }
        }
    }
    __syncthreads();
    for (uint stride = blockDim.x*blockDim.y / 2; stride > 0; stride >>= 1)
    {
        if (threadId < stride)
        {
#pragma unroll CUDA_GRABCUT_K2
            for (int i = 0; i < CUDA_GRABCUT_K2; i++)
            {
                centers[threadId][i] += centers[threadId + stride][i];
                indexs[threadId][i] += indexs[threadId + stride][i];
            }
        }
        //if (stride > 32)
        __syncthreads();
    }
    if (threadIdx.x == 0 && threadIdx.y == 0)
    {
        int count = 0;
        //收集所有信息，并重新更新cluster，记录变更的大小
        for (int i = 0; i < CUDA_GRABCUT_K; i++)
        {
            meansfg.kcenters[i] = make_float4(centers[0][i], 0.f);
            if (indexs[0][i] != 0)
                meansfg.cluster[i] = meansfg.kcenters[i] / indexs[0][i];
            count += abs(indexs[0][i] - meansfg.length[i]);
            meansfg.length[i] = indexs[0][i];
        }
        for (int i = CUDA_GRABCUT_K; i < CUDA_GRABCUT_K2; i++)
        {
            meansbg.kcenters[i - CUDA_GRABCUT_K] = make_float4(centers[0][i], 0.f);
            if (indexs[0][i] != 0)
                meansbg.cluster[i - CUDA_GRABCUT_K] = meansbg.kcenters[i - CUDA_GRABCUT_K] / indexs[0][i];
            count += abs(indexs[0][i] - meansbg.length[i - CUDA_GRABCUT_K]);
            meansbg.length[i - CUDA_GRABCUT_K] = indexs[0][i];
        }
        delta = count;
    }
}
void updateCluster_gpu(PtrStepSz<uchar4> source, PtrStepSz<uchar> clusterIndex, PtrStepSz<uchar> mask, float4* kencter,
    int* kindexs, kmeansI& meansbg, kmeansI& meansfg, int& delta, cudaStream_t stream = nullptr)
{
    dim3 grid(cv::divUp(source.cols, block.x), cv::divUp(source.rows, block.y));
    updateCluster<BLOCK_X, BLOCK_Y> << <grid, block, 0, stream >> > (source, clusterIndex, mask, kencter, kindexs);
    updateCluster<BLOCK_X, BLOCK_Y> << <1, block, 0, stream >> > (kencter, kindexs, meansbg, meansfg, delta, grid.x*grid.y);
}
void KmeansCuda::compute(GpuMat source, GpuMat clusterIndex, GpuMat mask, int threshold)
{
    int delta = threshold + 1;
    initKmeans_gpu(*bg, *fg);
    while (delta > threshold)
    {
        findNearestCluster_gpu(source, clusterIndex, mask, *bg, *fg);
        updateCluster_gpu(source, clusterIndex, mask, dcenters, dlenght, *bg, *fg, *d_delta);
        //可以每隔五次调用一次这个
        cudaMemcpy(&delta, d_delta, sizeof(int), cudaMemcpyDeviceToHost);
    }    
}

　　

　　这里肯定有点反直觉，十多行代码扩展到百多行，效率还增加了十倍，但是GPU运算就是这样，每步能多利用核心就行，还有，cudaMemcpy花费真的大，这里有个失败的尝试，因为在这基础上，都是用更多的计算核心带来的好处，就想把这个算法再扩展了下，前景与背景二个各分五类，一共十类，故当前准备用block的z为10，当做每块的索引，和我想象不同，这个要的时间在0.4ms左右，时间关系，没有继续测试，后续针对这块再仔细分析比对下。

　　如下显示的效果图。

　　

　　然后就是GMM的实现，这个实现和k-means过程比较相似，代码就不贴了，当时效果完成后，我的主要疑问在如果确认我的实现是对的，但是下面这张图出来后，我就知道应该是对了。GMM对k-means每块求的结果，然后用这结果来得到颜色的分类，这二者效果应该差不多是一样，但是肯定又有点区别(image是k-means的结果，seg image是GMM一次learning然后再分配的结果)，当然最后确认还是我比较opencv里GMM里各个分类与我实现GMM的值的比较，一般来说，各个分类的平均值与个数相差不大，各个分类在所有点的比例类似，当然二者的结果不会完全一样，opencv中k-means中用k-means++随机选择五个差异比较大的中心，就算用opencv自己重复算同一张图，每次结果都会有细小区别。

　　

　　最后是maxflow的实现，这个过程我参照了https://web.iiit.ac.in/~vibhavvinet/Software/ 的实现，要说这份代码稍稍改下还是能运行的，就是数据来源全在一个文件上，包含formsource,tosink,edge的信息，主要查看push与relabel与bfs的实现，可以去掉一些很多无关紧要的代码，并且与opencv对接，所有显存全用gpumat代码，差不多只有200行左右的代码。记的用这里的数据如person/sponge大约50多次迭代push-relabel后就能得到很好的结果(50次640*480类似的图只需要5-8ms,如果是416*416会更低，大约0.07ms就能一次迭代)，在这给了我信心能继续做下去，当然后续结果另说。

　　后续就是一个组合过程，组合过程参照opencv的实现。

void GrabCutCude::renderFrame(GpuMat x3source, cv::Rect rect)
{
    cudaDeviceSynchronize();

    rgb2rgba_gpu(x3source, source);
    setMask_gpu(mask, rect);
    kmeans->compute(source, clusterIndex, mask, 0);    //testShow(showSource, clusterIndex, "image");
    gmm->learning(source, clusterIndex, mask);    //testShow(showSource, clusterIndex, "seg image");
    int index = 0;
    while (index++ < iterCount)
    {
        gmm->assign(source, clusterIndex, mask);    
        gmm->learning(source, clusterIndex, mask);
        graph->addTermWeights(source, mask, *(gmm->bg), *(gmm->fg), lambda);
        graph->addEdges(source, gamma);
        graph->maxFlow(mask, maxCount);
    }
}

　　

　　其中有几处要求聚合运算，分别是求maxflow边的权重时，整张图的beta值，k-means更新聚合，gmm的训练，其中求beta只费了0.02ms,而k-means在0.12ms,而gmm的训练在1.2ms左右，beta只是把所有数据相加，每个像素对应4byte的共享存储，而k-means把数据取成十个类别，每个像素对应对应4byte*(3+1)*10个字节，时间花费0.02/0.12应该是一个正常范围，而gmm与k-means运算差不多完全一样，只是共享显存占用4byte*(3+3*3+1)*10个字节，时间花费比k-means多了十倍。这个比较很有意思，共享显存用越多，可以看到，GPU利用率会变低，求beta时，occupancy可以到达100%，而在k-meansk中只有25%，updateGMM只有6.25%。从前面k-means的代码看，每个聚合分成二部分，经调整GMM的前后部分发现，上部分降低线程块block可以降低时间，而下部分升高线程块block可以降低时间，其实这么算的话GMM的计算可以考虑分开算，让k-means的花费来看，最多0.3ms左右，1.2ms肯定还有很多优化空间。

　　如下结合我们自己编译的darknet动态链接库组合的代码。

void testYoloGrabCutCuda()
{
    cv::VideoCapture cap;
    cv::VideoWriter video;
    cv::Mat frame;
    cv::Mat result, reframe;

    cap.open(0);
    char* modelConfiguration = "yolov3.cfg";
    char* modelWeights = "yolov3.weights";

    network *net = load_network(modelConfiguration, modelWeights, 0);
    layer l = net->layers[net->n - 1];
    set_batch_network(net, 1);

    cv::Mat netFrame(net->h, net->w, CV_32FC3);

    const char* window_name = "yolo3";
    //namedWindow(window_name);
    cv::namedWindow("image");
    cv::namedWindow("seg image");
    createUI("1 image");

    int height = net->w;
    int width = net->h;
    GrabCutCude grabCut;
    grabCut.init(width, height);
    GpuMat gpuFrame;
    while (cv::waitKey(1) < 1)
    {
        updateUI("1 image", grabCut);

        cap >> frame;
        cv::resize(frame, reframe, cv::Size(net->w, net->h));
        //reframe.convertTo(netFrame, CV_32FC3, 1 / 255.0);
        image im = mat_to_image(reframe);
        float *predictions = network_predict(net, im.data);
        int nboxes = 0;
        float thresh = 0.7f;
        detection curdet = {};
        float maxprob = thresh;
        bool bFind = false;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, 0, 0, 0, &nboxes);
        for (int i = 0; i < nboxes; i++)
        {
            auto det = dets[i];    //0 person 39 bottle        
            if (det.prob[39] > maxprob)
            {
                maxprob = det.prob[39];
                curdet = det;
                bFind = true;
            }
        }

        if (!bFind)
            continue;
        int width = curdet.bbox.w + 20;
        int height = curdet.bbox.h + 20;
        cv::Rect rectangle(curdet.bbox.x - width / 2.f, curdet.bbox.y - height / 2.f, width, height);

        if (bCpu)
        {
            cv::Mat bgModel, fgModel;
            cv::grabCut(reframe, result, rectangle, bgModel, fgModel, iterCount, cv::GC_INIT_WITH_RECT);
        }
        else
        {
            grabCut.setParams(iterCount, gamma, lambda, maxCount);
            cudaDeviceSynchronize();
            gpuFrame.upload(reframe);
            grabCut.renderFrame(gpuFrame, rectangle);
            grabCut.mask.download(result);
        }

        cv::compare(result, cv::GC_PR_FGD, result, cv::CMP_EQ);
        cv::Mat foreground(reframe.size(), CV_8UC3, cv::Scalar(0, 0, 0));
        reframe.copyTo(foreground, result);
        cv::imshow("image", foreground);
        cv::rectangle(reframe, rectangle, cv::Scalar(0, 0, 255), 3);
        cv::imshow("seg image", reframe);
    }
}

　　这段代码就是前面显示的结果，但是最后我发现，效果并不好，至少相对我参考那段maxflow效果来说，迭代五十次只需要5ms,再稍微优化下，k-means加上GMM可以控制在3ms内，这样加上yolo3也可以控制在30桢左右，但是，就前面那个杯子来说，需要迭代超过300次才能有个比较好的效果，如果是人，需要迭代上千次才能达到opencv的效果，那就没啥意义了，后续准备的优化与整合进引擎也暂停。

　　至于为啥会这样，我分析了下，原参考push-relabel里数据是用种子生成的方式来生成formsource，tosink，这样formsource与tosink本来就接近结果了。

　　

　　而按照opencv里的流程，出来的formsource与tosink图如下。

　　

　　这样就需要迭代更多次的push_relabel来完成，主要因为这二次方式生成的GMM有很大区别，种子点生成的GMM各个分类与占比本来就好，我试验了下，扩大生成的边框，马上push_relabel的迭代次数加个百次，这是因为前景中混成来的背景越多，背景分类与占比越大，不确定区颜色通过GMM生成的formsource与tosink差值越小，虽然push-relabel每个点可以独立计算，很适合GPU算，但是他的push与relabel方式导致他每次可能就少数点在流动，大多点根本不满足要求。

　　那么要考虑在100次迭代内得到比较好的效果，需要种子点方式，加上一些特定需求，比如背景与人变动不大，只是人在背景中的位置在不断变化，可以先用几桢算mask-rcnn得到mask,用mask得到相对准确的GMM模型，再把这个GMM模型算对应graph的点权重，然后用maxflow算的比较清晰的边，最后用导向滤波还原大图，这模式对现在的流程有些改动，故此记录下现在流程，如果后续有比较好的效果再来继续说。

　　2019/3/20号更新：

　　为了验证我的想法以及评论区有同学提出formsource与tosink用同一例子比较，深以为然。下面是先用几桢效果的图算出GMM，然后用这个GMM值直接算formsource与tosink，如下是对应的formsource与tosink图。

　　

void GrabCutCude::renderFrame(GpuMat x3source)
{
    rgb2rgba_gpu(x3source, source);
    graph->addEdges(source, gamma);
    int index = 0;
    while (index++ < iterCount)
    {
        graph->addTermWeights(source, *(gmm->bg), *(gmm->fg), lambda);
        graph->maxFlow(mask, maxCount);
    }
}

　　相对于原先方框里算k-means,GMM模型,这个是在已经得到GMM模型的情况下，用GMM直接算formsource与tosink，可以看到，相对于原来来说，结果已经很干净了，这种情况下，50次push-relabel就能得到比较准确的结果。