基于DSP的視頻算法系統優化若干策略

　　TI的C64系列DSP以其強大的處理能力被廣泛用于視頻處理領域，然而由于大家對C64系列DSP的結構、指令、的理解程度不一樣，造成算法實現時的效果有許多的差異。具體體現在實現算法時所使用的CPU的資源上。如實現H.264 MP@D1解碼時所占用CPU的資源上，會有所差異，或者是所包含的算法工具子集上，如實現H.264 MP@D1解碼時使用CAVLC而不使用CABAC。造成這些差異，主要原因有如下因素：算法關鍵模塊的優化

　　算法系統集成時Memory的管理

　　算法系統集成時的EDMA的資源分配管理

　　本文從這三方面逐步探討算法優化集成中需要考慮的若干因素。算法關鍵模塊的優化一般而言，對于目前主流視頻解壓縮標準都有類似的很消耗DSP CPU的模塊，如H.264/AVC、MPEG4、AVS等編碼中運動矢量搜索很占用資源，而且這些模塊在整個系統實現過程中調用相當頻繁，因此我們首先找出這些模塊，這點TI的CCS提供了工程剖析工具（Profile），可以很快找到整個工程中占用DSP CPU資源最多的模塊；然后對這些模塊進行優化。

　　對這些關鍵算法模塊的優化我們分可以分三步進行，如圖2所示，先認真分析這部分代碼，并進行相應的調整，如盡量減少有判斷跳轉的代碼，特別是for循環中，判斷跳轉會打斷軟件流水。使用的方法，可是使用查表或者使用_cmpgtu4、_cmpeq4等Intrinsics來代替比較判斷指令，從而巧妙替代判斷跳轉語句。同時使用TI的CCS中所提供的#pragma提供編譯器盡量多的信息，這些信息包括for循環的次數信息、數據對齊信息等。如果經過這部分優化無法滿足系統要求，則對這部分模塊使用線性匯編實現，線性匯編是介于C和匯編之間的一種語言實現形式，可以控制指令的使用，而不必特別關心寄存器、功能單元（S、D、M、L）的分配和使用，使用線性匯編一般會比使用C語言具有更高的執行效率。如果線性匯編還無法滿足要求，則使用匯編實現，要編寫出高并行、深軟件流水的匯編需要經過畫相關圖，創建時序表（Scheduling table）等步驟，由于篇幅所限，這里就不熬述。

　　表1使用方式 周期數

　　C+Intrinsics83

　　線性匯編74

　　匯編57

　　優化選項：-pm， -o3，基于C64plus內核，C+Instrinsics 是指在C中使用Instrinsics。

　　表1是運動搜索中所需要的計算16×16宏塊SAD值時，不同方式下所消耗的DSP CPU的周期數。由此可見，匯編實現所消耗的CPU的周期數最少，但前提是需要充分了解DSP CPU的結構、指令以及算法模塊的結構，從而能夠編寫出高并行、深軟件流水的匯編，否則有可能所寫出的匯編還沒有線性匯編或者C效率更高。為此一個行之有效的方法是，充分利用TI所提供的算法庫中的函數，因為算法庫中的函數都是已經充分優化過的算法模塊，而且大都提供對對應的C、線性匯編和匯編源代碼，并有文檔進行API介紹。算法系統集成時Memory的管理由于在基于DSP的嵌入式系統開發中，存儲資源特別是片內高速存儲資源有限，在算法系統集成時Memory的管理對于提高整個系統的優化是非常重要的，這一方面影響數據的讀取、搬移速度；另一方面還影響Cache的命中率，下面分程序和數據兩方面分析。

　　程序區：最大原則是將經常調度使用的算法模塊放片內。為做到這點，TI的CCS中提供了#pragma CODE_SECTION，可以把需要單獨控制存放的函數段從.text段中獨立出來，從而在.cmd文件中對這些函數段進行單獨物理地址映射。還可以使用程序動態的方式，將需要運行的代碼段先調度進片內memory，如H.264/AVC中CAVLC和CABAC兩個算法模塊具有互斥性，因此可以將這兩個算法模塊放在片外而且對應于片內同一塊運行區，在運行其中某一個算法模塊之前，先將其調入片內，從而充分利用片內有限的高速存儲區。程序區的管理考慮到一級程序Cache（L1 P）的命中率，最好將具有先后執行順序的函數按地址先后順序配置在程序空間中，同時對代碼比較大的處理函數將其拆分成小函數。

　　數據區：在視頻標準編解碼中，由于數據塊都很大，如一幀D1 4:2：0的圖像有622k大小，而且在編解碼中都需要開3~5幀甚至更多的緩沖幀，因此數據基本上無法在片內存放。為此在系統的Memory優化管理中，需要開C64系列DSP的二級Cache（對于TMS320DM642用于視頻編解碼中二級Cache開64k的情況比較多）。同時最好將放片外的被Cache所映射的視頻緩沖區的數據以128 byte對齊，這是因為C64系列的DSP的二級Cache的每行大小為128 byte，以128 byte對齊有利于Cache的刷新和一致性維護。算法系統集成時的EDMA的資源分配管理由于在視頻處理中，會經常有塊數據的搬移，而且C64系列DSP提供了EDMA，邏輯上有64個通道，因此對EDMA的配置使用對優化系統是非常重要的。為此可以使用下述步驟進行充分配置系統的EDMA資源。1. 統計系統中各種需要使用EDMA的情況及其大概需要占用的EDMA物理總線的時間，如表2所示：

　　注意：該表針對視頻通過視頻端口（Video Port）（720*480，4:2：0，30Frame/s），音頻通過McBSP（采樣率為44k）進入DSP，壓縮好的數據數率在2Mbps左右，數據通過PCI每488uS輸出一個128byte的包（PCI口工作頻率為33MHz），外掛SDRAM的時鐘頻率為133MHz，只做一個參考應用例子。 2. 統計好這些信息后，需要依據系統對各種碼流實時性、及其傳輸數據塊大小對各個被使用的EDMA通道進行優先級分配。一般而言，由于音頻流傳輸塊小，因此占用EDMA總線的時間短，而視頻傳輸塊比較大，占用EDMA總線的時間較長，因此將輸入音頻所對應的EDMA通道的優先級設定為Q0（urgent），視頻的優先級設定為Q2（medium），輸出碼流所對應的EDMA通道的優先級設定為Q1（high），音視頻算法處理中所調度的QDMA的優先級設定為Q3（low）。當然這些設定在真正系統應用中可能還需要調整的。實際的基于TI DSP視頻算法優化集成過程，會是基于圖1所示的步驟，先初步配置Memory，并選擇相應編譯優化選項，如果編譯的結果已經可以達到實時性要求之后就結束后面的優化；否則開始優化Memory和EDMA的配置，從而提高對Cache和內部總線的利用率；如果還無法達到要求則通過剖析整個工程確定消耗CPU資源最高的代碼段或者函數，對這些關鍵模塊進行優化，采用線性匯編、甚至匯編直到整個系統可以滿足要求為止。