对halcon形状匹配算法的一点分析
halcon的形状匹配算法执行速度极快，以下面这张图为例，分辨率:2448×2048(500万像素)，角度范围:360°，亚像素:least_squares，halcon仅用了10ms左右，如果在程序中调用，最短仅需5 - 6ms，halcon是如何做到的呢？其底层运用了哪些技术与方法呢？
抱着上面的疑问，我下载了intel vtune profiler，这是一个高性能分析工具，可以做热点分析、微架构分析、并行性分析、内存与I/O分析。然后将halcon的匹配过程封装为一个C++函数，在一个线程中循环运行5000次，下图是得到的性能快照以及数据解析。
分析结果显示，除了Vectorization这一项，其他表现都很一般，Vectorization是向量化的意思，用于衡量程序利用CPU的SIMD(单指令多数据)指令集(如SSE、AVX、AVX-512)执行并行计算的效率，这一项几乎达到了100%，可以断定，Vectorization起到了决定性的作用，将Vectorization的各项展开如下：
不难看出，halcon大量使用了256-bit的浮点运算，也就是AVX/AVX2指令集，其中单精度浮点运算的99.7%几乎到了极限，双精度浮点运算128-bit占比63.2%，其余则为标量运算(Scalar)，占比36.8%。基于以上分析，我开始对自己的算法进行改进，第一步就是使用AVX/AVX2指令集，修改之后执行速度有了一定的提升，但是相比halcon还是有很大差距，后面我会继续优化。
