Question

我正在使用Lucas Kanade方法处理光流程脚本，作为大学项目。虽然它运作良好，但有些东西我无法弄清楚。它在启动时使用几MB的内存，但是这个数量每秒都在迅速增加。当它为480帧电影的1帧计算OF时，它使用大约1GB。当它达到1.9GB时，即使停留了几个小时，它也会突然停止并停留在那里。

我尝试在不同的PC上运行脚本，它只使用1GB。

这真是奇怪的行为，因为根据我的计算，它应该使用少于100MB。

对我来说最令人惊讶的是，在脚本计算了一帧之后，我打印了垃圾收集器正在观看的对象数量，大约是200万，然后在强制收集之后再次打印它并且它完全相同。我等待第二帧计算（同时内存使用量增加~1GB）并且脚本打印了GC正在监视的对象数 - 完全相同的数字接近200万。那是什么意思呢？ numpy是用C语言写的，有内存泄漏吗？

我真的很想了解这种行为。

以下是代码：http://pastebin.com/WSi7akY4

Answer 1

虽然它没有解释你的记忆问题，但实际上，你的实施是温和的，不是最理想的。你不仅没有充分利用numpy的功能，而且你的算法流程也不能很好地避免重复计算。我认为你只是在资源上运行你的系统，不是因为python或numpy中出了问题，而是因为你创建了太多不必要的列表列表...

看了wikipedia's entry on the Lucas-Kanade algorithm之后，我重写了你的主要功能如下：

def lucas_kanade_np(im1, im2, win=2):
    assert im1.shape == im2.shape
    I_x = np.zeros(im1.shape)
    I_y = np.zeros(im1.shape)
    I_t = np.zeros(im1.shape)
    I_x[1:-1, 1:-1] = (im1[1:-1, 2:] - im1[1:-1, :-2]) / 2
    I_y[1:-1, 1:-1] = (im1[2:, 1:-1] - im1[:-2, 1:-1]) / 2
    I_t[1:-1, 1:-1] = im1[1:-1, 1:-1] - im2[1:-1, 1:-1]
    params = np.zeros(im1.shape + (5,)) #Ix2, Iy2, Ixy, Ixt, Iyt
    params[..., 0] = I_x * I_x # I_x2
    params[..., 1] = I_y * I_y # I_y2
    params[..., 2] = I_x * I_y # I_xy
    params[..., 3] = I_x * I_t # I_xt
    params[..., 4] = I_y * I_t # I_yt
    del I_x, I_y, I_t
    cum_params = np.cumsum(np.cumsum(params, axis=0), axis=1)
    del params
    win_params = (cum_params[2 * win + 1:, 2 * win + 1:] -
                  cum_params[2 * win + 1:, :-1 - 2 * win] -
                  cum_params[:-1 - 2 * win, 2 * win + 1:] +
                  cum_params[:-1 - 2 * win, :-1 - 2 * win])
    del cum_params
    op_flow = np.zeros(im1.shape + (2,))
    det = win_params[...,0] * win_params[..., 1] - win_params[..., 2] **2
    op_flow_x = np.where(det != 0,
                         (win_params[..., 1] * win_params[..., 3] -
                          win_params[..., 2] * win_params[..., 4]) / det,
                         0)
    op_flow_y = np.where(det != 0,
                         (win_params[..., 0] * win_params[..., 4] -
                          win_params[..., 2] * win_params[..., 3]) / det,
                         0)
    op_flow[win + 1: -1 - win, win + 1: -1 - win, 0] = op_flow_x[:-1, :-1]
    op_flow[win + 1: -1 - win, win + 1: -1 - win, 1] = op_flow_y[:-1, :-1]
    return op_flow

它使用两个嵌套调用np.cumsum和排除 - 包含原则来计算窗口参数。由于每个点求解的方程组只有2x2，因此它使用Cramer的规则来对求解进行矢量化。

为了进行比较，我将lucas_kanade函数重命名为lucas_kanade_op，只更改了最后一个语句，以便返回一个numpy数组：

def lucas_kanade_op(im1, im2, win=2) :
    ...
    return np.array(opfl)

我计算了两种方法，（并检查它们都输出相同的内容）并没有任何意外，利用numpy提供了巨大的推动力：

rows, cols = 100, 100
im1 = np.random.rand(rows, cols)
im2 = np.random.rand(rows, cols)
ans1 = lucas_kanade_op(im1, im2)
ans2 = lucas_kanade_np(im1, im2)
np.testing.assert_almost_equal(ans1,ans2)

import timeit
print 'op\'s time:', timeit.timeit('lucas_kanade_op(im1, im2)',
                                   'from __main__ import lucas_kanade_op, im1, im2',
                                   number=1)
print 'np\'s time:', timeit.timeit('lucas_kanade_np(im1, im2)',
                                   'from __main__ import lucas_kanade_np, im1, im2',
                                   number=1)

打印出来：

op's time: 5.7419579567
np's time: 0.00256002154425

对于一个小的100x100图像，这是x2000速度的增加。我不敢测试你的全尺寸480p图像的方法，但上面的函数可以在每秒随机854x480阵列上处理大约5次计算，没有任何问题。

我建议你以类似于上面提到的方式重写代码，充分利用numpy。将完整代码发布到Code Review将是一个很好的起点。但是当你的代码开始时代码效率很低时，寻找对象的杂散引用真的没有意义！

Lucas Kanade python numpy实现使用了大量的内存

1 个答案: