webRTC 提供一套音频处理引擎,
包含以下算法:
AGC 自动增益控制 (Automatic Gain Control)
ANS 噪音抑制 (Automatic Noise Suppression)
AEC 是声学回声消除 (Acoustic Echo Canceller for Mobile)
VAD 是静音检测 (Voice Activity Detection)
这是一套非常经典, 以及值得细细品阅学习的音频算法资源.
在前面分享的博文, 也有提及音频相关知识点.
一些算法优化的知识点, 由于历史的原因,
WebRTC 的实现已经不是当下最优的思路.
但也是非常经典的.
例如:
AGE 算法中的 WebRtcSpl_Sqrt 快速开平方的实现.
可以采用如下汇编函数替换之:
- static float fast_sqrt(float x) {
- float s;
- #if defined(__x86_64__)
- __asm__ __volatile__ ("sqrtss %1, %0" : "=x"(s) : "x"(x));
- #elif defined(__i386__)
- s = x;
- __asm__ __volatile__ ("fsqrt" : "+t"(s));
- #elif defined(__arm__) && defined(__VFP_FP__)
- __asm__ __volatile__ ("vsqrt.f32 %0, %1" : "=w"(s) : "w"(x));
- #else
- s = sqrtf(x);
- #endif
- return s;
- }
现代很多 cpu 汇编指令已经支持开平方的快速实现,
经过测试比对确实会比 WebRtcSpl_Sqrt 快不少的.
关于开平方的快速实现, 详情可以看下:
https://www.codeproject.com/Articles/69941/Best-Square-Root-Method-Algorithm-Function-Precisi
做算法优化的同学, 就放过开平方吧.
每个算法有两个基本指标,
性能, 效果.
WebRTC 着力于音频通信, 所以它对性能的要求是极高的.
而算法的性能的优化, 绝大多数情况的思路, 都是特例化.
以前在公司开技术分享会的时候, 也分享过.
也就一句话, 越靠近 CPU, 性能越快.
也就是除非要不得以, 请不要写到硬盘上, 然后再读上来.
因为硬盘离 CPU 太远了.
所以优化的思路也就非常明显了.
从快到慢的介质分别是
CPU 的寄存器 -> CPU 的缓存 -> 内存空间 -> 硬盘空间 (磁盘)
所以 尽可能地要使用上层的资源, 能用寄存器就用寄存器,
能往 CPU 的资源上靠, 就要把算法数据结构和资源做得更加紧凑.
关于 CPU 的相关资源:
https://www.cpuid.com/softwares/cpu-z.html
可以下一个 CPU-Z 查看一下.
抽丝剥茧, 一定要了解 CPU 的结构性能信息.
然后对症下药, 尽可能符合 CPU 的口味.
科普下算法优化的思路:
1. 尽可能多用局部变量, 编写最短, 最有效的闭合函数.
为了编译处理的时候, 能最终用上寄存器, 去缓存.
2. 尽可能少调用函数, 参数最好是指针或引用传递, 这样能减少拷贝,
当然, 可以的话参数要尽可能地少.
3. 处理的数据尽可能紧凑且少, 数据对齐很大程度上,
就是为了符合 CPU 的喜好, 用上它的缓存.
4. 尽可能顺序读写, 也是为了用上缓存资源
5. 计算降级, 一般情况下乘法比加法耗时, 除法比乘法耗时.
浮点比整形耗时.
所以将乘法降为加法, 将除法降为乘法, 浮点降为整形 (定点化).
这一条大多数朋友若是不清楚为什么, 可以移步资源:
https://github.com/ARM-software/CMSIS_5
阅读其中的一些实现, 你会找到具体原因的.
这里就不展开了.
6. 能用内存的, 就不要用磁盘, 我想这个没必要多解释了.
7. 当然如果能用特定算法思路数据接口进行优化也是可以的, 例如查表之类的.
好像有点跑题了, 回到主题上.
抽空把以上提及的几个算法整理成
单文件实现的方式, 并附加示例代码.
便于学习或者工程化之用.
相关项目地址:
- https://github.com/cpuimage/WebRTC_AECM
- https://github.com/cpuimage/WebRTC_NS
- https://github.com/cpuimage/WebRTC_VAD
- https://github.com/cpuimage/WebRTC_AGC
路漫漫其修远兮, 一条道走到黑.
用 cmake 即可进行编译示例代码, 详情见 CMakeLists.txt.
若有其他相关问题或者需求也可以邮件联系俺探讨.
邮箱地址是:
gaozhihan@vip.qq.com
来源: https://www.cnblogs.com/cpuimage/p/8976346.html