机器视觉应用中，通用型和平台型软件有助于缩短视觉应用的开发周期，一定程度上降低了开发门槛。针对在此类应用中多模块复杂方案场景下常见的资源占用大及软件效率低的问题，海康机器人聚焦软件底层算法效率提升和资源占用优化，对VM进行了焕新升级，正式发布VM4.3。

资源占用及算法效率优化

在VM软件层，VM4.3优化了内存分配机制，根据工具模块所需内存大小对内存资源进行了预分配，大幅提升了整体数据传输效率和内存使用率，有效降低了内存分配耗时，使软件在资源开销管理上更加游刃有余。同时，VM4.3改进了资源加载策略，通过按需加载和异步加载的方式，极大提升了软件启动及方案加载的速度，为用户带来流畅的使用体验。相比于VM4.2，VM4.3在内存占用、多流程运行效率、界面渲染、方案加载、二次开发数据传递等方面有显著提升。

算法效率深度优化

在算法层，基于算法原理，VM4.3深度优化了算法耗时的关键节点。以典型的算法模块—模板匹配为例，影响模板匹配耗时的主要有两个阶段：图像特征提取(即单次搜索耗时)及搜索次数。VM4.3的模板匹配算法可根据模板图像特点自适应选择边缘阈值、特征链长和金字塔层数，提取出最合适的特征点，从而降低了单次匹配耗时。

同时，算法采用可变金字塔及自适应搜索步长取代传统算法金字塔搜索方法，实现对目标区域的快速聚焦，大幅减少匹配次数。

经过优化的匹配算法，相较于VM4.2及市面上主流视觉软件的匹配效率有明显优势。

除了传统算法外，VM4.3深度学习算法在CPU上的运行效率也有较大提升，有效降低对GPU的依赖，以及用户的深度学习应用部署成本。

算法内存占用显著改善

在提升算法效率的同时，VM4.3改进了底层算法和代码实现设计，减少资源冗余占用，显著降低了对内存的开销，大部分算法内存消耗相较于VM4.2都有明显降低，使VM在复杂视觉应用中更加从容。

算法性能更强劲

除了算法效率提升，VM4.3还进一步优化了算法性能。以模板匹配算法为例，通过采用更鲁棒的边缘定位技术，在极低对比度及复杂边缘干扰的情况下，VM4.3能够精准定位到目标。

同时，改进后的目标筛选策略，使得VM4.3模板匹配算法能够在小目标及强背景干扰环境下更高效更稳定地定位目标，具备更优秀的场景适应性。

算法工具及软件功能还有更多

此外，VM4.3还进一步了扩充算法工具和功能。新增的注册分类算法可实现类别的快速注册和在线训练，尤其适用于产品正反、有无及类别的检测和判断。

针对项目现场对软件维护便利性和方案保密性的需求，VM4.3还新增了综合配置界面，可以将方案中所需调节的参数抽取到同一界面并可按组分类，不进入方案也可完成对模块ROI，运行参数，判断条件等的修改，提升了视觉应用后期的维护便利性。

（来源：海康机器人）