C++11多线程编程学习笔记

0.背景
1.thread的使用
2.多线程的效果
3.参考资料

0.背景

在很久之前的这篇博客里，我们介绍过C++中一个很方便的线程并行库OpenMP。而在这篇博客中，我们又学习了Python中的并行编程方法，提升了效率。在这篇博客中，我们再学习一个从C++11标准之后就直接支持的标准线程库，std::thread，编译参数是-std=c++11。相比于OpenMP，新标准支持的thread的使用更类似于Python的multiprocessing库。

最早见到这个用法是在ORB-SLAM2的代码中，在提取ORB特征的时候，作者就手动开了两个线程分别在双目的左右影像上提取特征，起到并行加速的效果，如下图所示。在Frame.cc中，通过在左右影像上开两个线程实现加速。本篇博客就对这种在C++使用多线程的方式进行简单学习和介绍。

1.thread的使用

这里我们就以ORB-SLAM中的使用场景为例，读取一张影像，然后提取ORB特征。完整代码见Github项目，点击查看。下面具体介绍。

(1) 头文件与CMake配置

thread包含在thread.h中，由于是标准库支持的，所以直接#include <thread>即可。但由于pthread库不是Linux系统默认的库，可能会出现编译不通过的情况。如果这样的话，需要在CMakeLists.txt中，手动添加Link库pthread，如下所示。

cmake_minimum_required(VERSION 3.1)
project(multiThread)

set(CMAKE_CXX_STANDARD 11)

find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

add_executable(multiThread main.cpp)
# 由于pthread库不是Linux系统默认的库，连接时需要指定一下，不然编译不通过
target_link_libraries(multiThread pthread ${OpenCV_LIBS})

(2) 操作函数

如果你有过一些并行编程基本概念的话应该会知道，我们需要将我们要进行的操作写成可以并行执行的函数。这里演示的代码如下所示。

void extractORB(string img_path, Mat &img_kps, vector<KeyPoint> &keyPoint, Mat &descriptor) {
    // 读取影像
    Mat img = imread(img_path);
    // 提取ORB特征
    Ptr<ORB> orb = ORB::create(2000);
    orb->detectAndCompute(img, Mat(), keyPoint, descriptor);
    // 绘制特征点
    img.copyTo(img_kps);
    drawKeypoints(img, keyPoint, img_kps);

    // 对原图进行高斯模糊(单纯为了增加耗时，只提取ORB耗时太短，难以展示多线程效果)
    // 如果你发现运行太慢，可以减小卷积核大小
    GaussianBlur(img, img, Size(315, 315), 1.5);
}

(3) 开启多线程

多线程的开启其实非常简单，只需要构造一个thread对象，并且在构造函数中指定要执行的函数名称以及传入的参数等即可。

int main() {
    string img_path = "../test.jpg";

    Mat img_kps_t1, img_kps_t2;
    vector<KeyPoint> keyPoint_t1, keyPoint_t2;
    Mat descriptor_t1, descriptor_t2;
    // 常规方式顺序执行两次
    clock_t t1 = clock();
    extractORB(img_path, img_kps_t1, keyPoint_t1, descriptor_t1);
    extractORB(img_path, img_kps_t2, keyPoint_t2, descriptor_t2);
    clock_t t2 = clock();
    double dt1 = double(t2 - t1) / CLOCKS_PER_SEC;
    cout << "Normal cost time: " << dt1 << " s" << endl;

    Mat img_kps_th1, img_kps_th2;
    vector<KeyPoint> keyPoint_th1, keyPoint_th2;
    Mat descriptor_th1, descriptor_th2;
    // 新建两个线程同时执行
    clock_t t3 = clock();
    // 这里extractORB函数后面的参数是引用传递以便接收处理的结果，因此，需要用ref()函数包裹
    thread thread1(&extractORB, img_path, ref(img_kps_th1), ref(keyPoint_th1), ref(descriptor_th1));
    thread thread2(&extractORB, img_path, ref(img_kps_th2), ref(keyPoint_th2), ref(descriptor_th2));
    thread1.join();
    thread2.join();
    clock_t t4 = clock();
    double dt2 = double(t4 - t3) / CLOCKS_PER_SEC;
    cout << "Multi thread time: " << dt2 << " s" << endl;

    // 结果展示
    cout << "thread1 kps num: " << keyPoint_th1.size() << endl;
    cout << "thread2 kps num: " << keyPoint_th2.size() << endl;
    imshow("thread1-kps", img_kps_th1);
    imshow("thread2-kps", img_kps_th2);
    waitKey(0);

    return 0;
}

最后需要注意的是线程执行完以后需要调用join()函数来进行同步，不然程序不等两个线程都执行完就推出了。

2.多线程的效果

如下图所示，是上面程序执行的结果。可以看到常规方法执行2次耗时23.7s，而利用两个线程同时执行，耗时为12.9s，大约是常规方法的54%，大约是1/2。这也说明采用这种方法是可以提升效率的。另外需要说明的一点是，并非并行计算就一定很好。如果说计算量并不是很大，采用多线程并不一定有很大的效率提升，甚至还有可能出现变的更慢的情况。因为线程的创建和关闭本身也需要时间，多线程节省的时间还没有线程调度的时间多，所以就变慢了，如下所示。我们把extractORB函数只保留了一个输出语句，十分简单。而实际运行结果是多线程耗时0.12s，而常规方法只需要约0.6ms。从这个角度来说，这两者的差异，在一定程度上也反映了线程调度的耗时。

3.参考资料

[1] https://www.runoob.com/w3cnote/cpp-std-thread.html
[2] https://www.cnblogs.com/Athrun-Kido/p/13564920.html

Menu