C++——调用OpenCV和NVIDIA Video Codec SDK库实现使用GPU硬解码MP4视频文件_nvidia video codec sdk 安装

系列文章目录

参考博客
参考博客
参考博客

文章目录

• 系列文章目录
• 前言
• 一、下载安装NVIDIA Video Codec SDK
• • 1、下载NVIDIA Video Codec SDK
  • 2、安装NVIDIA Video Codec SDK
• 二、下载编译安装OpenCV
• • 1、下载OpenCV
  • 2、编译安装OpenCV
  • 3、配置环境变量
  • 4、报错解决
  • • 报错一：
• 三、测试代码
• • 1、测试一
  • 2、测试二
  • 3、makefile文件参考

前言

NVIDIA Video Codec SDK‌是一个用于视频编码和解码的开发工具包，它允许开发人员利用NVIDIA GPU的硬件加速功能来处理视频流。该SDK提供了一套全面的API集，支持在Windows和Linux平台上进行硬件加速视频编码和解码‌。

功能和特性：

‌硬件加速‌：NVIDIA Video Codec SDK包含基于硬件的视频编码器和解码器，这些组件独立于CUDA核心，能够提供全加速的视频编码和解码功能。这不仅可以提高处理速度，还能减少CPU和计算引擎的负担，使得它们可以执行其他操作‌。

‌支持的编解码器‌：该SDK支持多种编解码器，包括H.264、HEVC（H.265）和AV1。其中，HEVC支持最高8K的编码，而AV1编码则提供了超高质量（UHQ）模式，进一步提升了编码质量‌。

‌性能优化‌：SDK中的NVENC和NVDEC引擎支持比实时更快的视频处理速度，适用于视频转码、视频数据压缩/解压缩、游戏直播、虚拟桌面、云游戏等多种应用。此外，最新的GPU架构如Blackwell进一步增强了NVENC和NVDEC的性能和质量‌。

NVIDIA Video Codec SDK广泛应用于多种场景，包括：

‌视频转码‌：快速转换视频格式和分辨率。

‌视频直播‌：在直播平台上实现高效的视频编码和解码。

‌游戏和虚拟现实‌：优化游戏和虚拟现实应用的视频处理。

‌安全视频播放‌：在安全监控和视频会议中提供高质量的视频处理。

通过使用NVIDIA Video Codec SDK，开发人员可以充分利用NVIDIA GPU的硬件加速功能，提高视频处理效率和质量，满足各种应用的需求。

一、下载安装NVIDIA Video Codec SDK

1、下载NVIDIA Video Codec SDK

NVIDIA Video Codec SDK下载路径

NVIDIA Video Codec SDK库的不同版本需要严格对应当前使用的NVIDIA驱动版本和CUDA版本。

如果你的NVIDIA驱动和CUDA版本很新，可以下载最新版本的NVIDIA Video Codec SDK库。

下载得到Video_Codec_SDK_xxx.zip的压缩包，解压后的目录有Read_Me.pdf文档，文档中有该版本SDK对驱动与CUDA最低版本的要求，从而检查这个NVIDIA Video Codec SDK库是否符合你的要求。

如果你的NVIDIA驱动和CUDA是旧版本，可以下载旧版的NVIDIA Video Codec SDK库。

下载得到Video_Codec_SDK_xxx.zip的压缩包，解压后的目录有Read_Me.pdf文档，文档中有该版本SDK对驱动与CUDA最低版本的要求，从而检查这个NVIDIA Video Codec SDK库是否符合你的要求。

如果驱动版本或者CUDA不满足要求，可更新版本或者下载更低版本的nvidia-video-codec-sdk。

2、安装NVIDIA Video Codec SDK

安装nvidia-video-codec-sdk，其实在GPU驱动安装过程中，已经将nvidai-video-codec-sdk的库文件进行了安装，一般安装在/usr/lib/x86_64-linux-gnu/目录下，存在libnvcuvid.so、libnvidia-encode.so等库文件。

将头文件拷贝至cuda头文件目录下：

cp Video_Codec_SDK_xxx/Interface/* /usr/local/cuda/include/

注意：上述只用了nvidia-video-codec-sdk中的头文件，而没有使用nvidia-video-codec-sdk中的libnvcuvid.so、libnvidia-encode.so库，原因是在安装显卡驱动的时候会默认安装与驱动版本兼容的libnvcuvid.so、libnvidia-encode.so，而nvidia-video-codec-sdk中的库很可能与我们安装的显卡驱动版本不一致，如果使用了nvidia-video-codec-sdk中的libnvcuvid.so、ibnvidia-encode.so编译的时候，可能不会有问题，但是运行时很可能会因为与驱动版本不兼容而报错，因此不需要将nvidia-video-codec-sdk中的libnvcuvid.so、ibnvidia-encode.so库复制到cuda库中，在配置opencv时会另外把这些库编译进去的。这个可谓是Nvidia的天坑，一定要注意。

二、下载编译安装OpenCV

1、下载OpenCV

如果是首次下载编译安装opencv库，大部分可以参考以下博客链接，但是有小部分需要修改：

下载编译安装OpenCV参考博客

注意，与以上参考博客不同的是，在cmake-gui编译阶段，需要增加一些对应的CUDA选项以正确启用CUDA支持。​​

如果已经有下载编译安装好的opencv库，也不需要删除重新安装，只需要重复cmake-gui编译，补上CUDA选项以正确启用CUDA支持，重新安装即可。

2、编译安装OpenCV

打开cmake-gui可视化界面。

如果之前没有安装过就根据以上参考博客完成基础配置，再增加CUDA配置即可。

如果已经安装过，那么cmake-gui应该会有你之前的配置记录，直接增加CUDA配置即可。

#　需要增加的CUDA配置 -D ENABLE_FAST_MATH=1 \\ -D CUDA_FAST_MATH=1 \\ -D WITH_CUDA=ON \\ -D WITH_CUDNN=ON \\ -D WITH_CUDEV=ON \\ -D WITH_NVCUVID=ON \\ -D CUDA_ARCH_BIN=3.0;3.5;3.7;5.0;5.2;6.0;6.1;7.0;7.5 \\

然后点击configure按键，如果没有错误那就继续，有就参考下面的报错解决。

最后点击Generate按键，写入build文件夹生成配置文件。

在build目录下打开终端，输入:

make -j4

编译成功之后，再输入：

sudo make install

3、配置环境变量

终端打开

sudo gedit ~/.bashrc

文件底部写入

export PKG_CONFIG_PATH=/usr/local/opencv/opencv.xxx/lib/pkgconfigexport LD_LIBRARY_PATH=/usr/local/opencv/opencv.xxx/lib 

使配置文件生效

source ~/.bashrc

如果想使用之前的版本，在~/.bashrc中注释掉增加的内容，然后source ~/.bashrc即可。

查询OpenCV版本

pkg-config --modversion opencvpkg-config --modversion opencv4

4、报错解决

报错一：

error: (-213:The function/feature is not implemented) The called functionality is disabled for current build or platform in function \'throw_no_cuda\'

可能是OpenCV编译时未正确启用CUDA支持​​，或运行时环境配置不完整。需要注意cmake-gui阶段是否配置正确，比如WITH_NVCUVID=ON是否打开等。

三、测试代码

1、测试一

测试opencv GPU解码和CPU解码

#include #include #include #include #include #include  int gpu_test() { cv::cuda::printCudaDeviceInfo(cv::cuda::getDevice()); int count = cv::cuda::getCudaEnabledDeviceCount(); printf(\"GPU Device Count : %d \\n\", count); const std::string filename = \"/xxx.mp4\"; cv::Ptr<cv::cudacodec::VideoReader> reader = cv::cudacodec::createVideoReader(filename); cv::cuda::GpuMat gpu_frame; int frame_id = 0; std::chrono::steady_clock::time_point start = std::chrono::steady_clock::now(); while (reader->nextFrame(gpu_frame)) { frame_id = frame_id + 1; } std::chrono::steady_clock::time_point end = std::chrono::steady_clock::now(); std::chrono::duration<double> time_useds = std::chrono::duration_cast<std::chrono::duration<double>>(end - start); double time_ms = time_useds.count() * 1000.0f; double fps = double(frame_id) / time_ms * 1000.0f; printf(\"GPU test took time: %f ms, frames: %d , FPS: %f\\n\", time_ms, frame_id, fps); reader.release(); return 0;} int cpu_test(){ const std::string filename = \"/xxx.mp4\"; cv::VideoCapture capture; capture.open(filename); if (!capture.isOpened()) { printf(\"Open video failed !!! \\n\"); return -1; } int width = (int)capture.get(cv::CAP_PROP_FRAME_WIDTH); int height = (int)capture.get(cv::CAP_PROP_FRAME_HEIGHT); printf(\"src video width: %d , %d \\n\", width, height); cv::Mat frame; int frame_id = 0; std::chrono::steady_clock::time_point start = std::chrono::steady_clock::now(); while (capture.read(frame)) { frame_id = frame_id + 1; } std::chrono::steady_clock::time_point end = std::chrono::steady_clock::now(); std::chrono::duration<double> time_useds = std::chrono::duration_cast<std::chrono::duration<double>>(end - start); double time_ms = time_useds.count() * 1000.0f; double fps = double(frame_id) / time_ms * 1000.0f; printf(\"CPU test took time: %f ms, frames: %d , FPS: %f\\n\", time_ms, frame_id, fps); capture.release(); return 0;} int main(int argc, char const *argv[]){ gpu_test(); cpu_test(); return 0;}

2、测试二

测试GPU解码与图片显示

#include #include #include #include #include int main() { // MP4文件路径 std::string video_path = \"/xxx.mp4\"; try { // 创建GPU解码器 cv::Ptr<cv::cudacodec::VideoReader> d_reader = cv::cudacodec::createVideoReader(video_path); // 初始化一个GpuMat对象用于检查视频是否可读 cv::cuda::GpuMat d_frame; if (!d_reader->nextFrame(d_frame)) { std::cerr << \"无法打开视频文件或视频文件为空: \" << video_path << std::endl; return -1; } // 获取视频信息 cv::cudacodec::FormatInfo format_info = d_reader->format(); std::cout << \"视频宽度: \" << format_info.width << std::endl; std::cout << \"视频高度: \" << format_info.height << std::endl; // 获取帧率需要使用VideoCapture cv::VideoCapture cap(video_path); double fps = cap.get(cv::CAP_PROP_FPS); std::cout << \"帧率: \" << fps << std::endl; // 获取总帧数 double total_frames = cap.get(cv::CAP_PROP_FRAME_COUNT); std::cout << \"总帧数: \" << total_frames << std::endl; cap.release(); // 创建窗口 cv::namedWindow(\"GPU解码视频\", cv::WINDOW_NORMAL); // 解码循环 int frame_count = 0; while (true) { // 读取下一帧到GPU内存 if (!d_reader->nextFrame(d_frame)) { std::cout << \"视频结束或解码完成\" << std::endl; break; } frame_count++; std::cout << \"解码帧: \" << frame_count << std::endl; // 如果需要CPU处理，将帧从GPU下载到CPU cv::Mat frame; d_frame.download(frame); // 显示帧 cv::imshow(\"GPU解码视频\", frame); // 按ESC退出 if (cv::waitKey(1) == 27) { break; } } // 关闭窗口 cv::destroyAllWindows(); } catch (const cv::Exception& e) { std::cerr << \"OpenCV异常: \" << e.what() << std::endl; return -1; } catch (const std::exception& e) { std::cerr << \"标准异常: \" << e.what() << std::endl; return -1; } catch (...) { std::cerr << \"未知异常\" << std::endl; return -1; } return 0;}

3、makefile文件参考

# 定义编译器CXX=g++# 定义编译选项CXXFLAGS=-std=c++11 -Wall -I/usr/local/opencv/opencv4.4/include/opencv4# 定义链接器选项# 添加了cudacodec、cudaarithm、cudafilters等CUDA相关库LDFLAGS=-L/usr/local/opencv/opencv4.4/lib \\ -lopencv_core -lopencv_imgproc -lopencv_imgcodecs \\ -lopencv_highgui -lopencv_videoio \\ -lopencv_cudacodec -lopencv_cudaarithm -lopencv_cudafilters \\ -lopencv_cudaimgproc -lopencv_cudawarping \\-L/usr/local/cuda/lib64 \\-lnvcuvid -lnvidia-encode -lcudart# 定义目标文件名TARGET=main# 定义源文件SRCS=$(wildcard opencv_gpu_decode.cpp)# 定义对象文件OBJS=$(SRCS:.cpp=.o)# 默认目标all: $(TARGET)# 链接对象文件生成目标文件$(TARGET): $(OBJS)$(CXX) -o $@ $^ $(LDFLAGS)# 编译源文件生成对象文件%.o: %.cpp$(CXX) $(CXXFLAGS) -c $< -o $@# 清理编译生成的文件clean:rm -f $(OBJS) $(TARGET)