作者：王華斌，丁剛 - 德州儀器(TI)

數字視頻產品需求近些年出現猛增。主流應用包括視頻通信、視頻監控與工業自動化，而較熱門的要算娛樂應用，如 DVD、HDTV、衛星電視、標清(SD)或高清 (HD) 機頂盒、數碼相機與 HD 攝像機、高端顯示器（LCD、等離子顯示器、DLP）以及個人攝像機等。這些應用都向高質量的視頻編解碼算法及其標準提出巨大需求，目前主流壓縮標準主要有MPEG2、MPEG4和H.264/AVC，而針對這些編解碼標準有各種各樣的實現方案。本文主要探討基于TI 的C64系列DSP的視頻解碼算法標準系統優化過程中需要考慮的若干因素。
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：

1. 算法關鍵模塊的優化
2. 算法系統集成時Memory的管理
3. 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資源較多的模塊；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+Intrinsics 83 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的周期數較少，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：較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，較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)。同時較好將放片外的被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：

  輸入視頻流 輸入音頻流 輸出碼流 視頻算法調度QDMA 音頻算法調度QDMA TR請求 Video Port McBSP EDMA L2控制器 L2控制器 傳輸源端口 Video Port McBSP EMIF(SDRAM) L2/EMIF L2/EMIF 傳輸目的端口 EMIF(SDRAM) EMIF(SDRAM) PCI EMIF/L2 EMIF/L2 傳輸塊大小/TR請求 720 byte 4 byte 32 byte 512 byte 16 byte 請求周期 22.72 uS/TR 34.72 uS/TR 122 uS/TR 較小為
4.12 uS/TR 較小為
17.76 uS/TR

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資源較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。

 

參考文獻：

TMS320C64x/C64x+ DSP CPU and Instruction Set Reference Guide (SPRU732)
TMS320C6000 EDMA IO Scheduling and Performance (SPRAA00)
TMS320C6000 Optimizing Compiler User's Guide (spru187)
TMS320C64x EDMA Architecture (SPRA994)
TMS320C6000 EDMA Controller Reference Guide (SPRU234)
TMS320C64x DSP Two-Level Internal Memory Reference Guide (SPRU610)
Cache Usage in High-Performance DSP Applications With the TMS320C64x (SPRA756)