OpenCV C++ DescriptorMatcher::knnMatch在Windows与Linux下性能差异显著求助

我在使用OpenCV 4.5.3（C++）执行特征匹配流程时，遇到了严重的性能问题：Windows平台的匹配速度比Linux（WSL2上的Ubuntu 22.04）慢30倍，且Windows下的耗时会随处理的图片数量变化。

相关代码 #

void matchDescriptorsPair(cv::Mat *queryDescriptors, cv::Ptr<cv::DescriptorMatcher> trainedMatcher)
{
    constexpr int N_NEAREST_NEIGHBORS = 2;

    vector<vector<cv::DMatch>> matches;
    matches.reserve(queryDescriptors->rows);

    trainedMatcher->knnMatch(*queryDescriptors, matches, N_NEAREST_NEIGHBORS);
    (...)
}

测试情况 #

为排查问题，我使用了最多包含200张18MP分辨率图片的数据集，将其按{5,20,50,75,100,125,150,175,200}张图片分组，在Windows 10和Ubuntu 22.04（WSL2）上运行相同代码。测试结果显示：Linux上单对匹配耗时始终稳定在约2秒，而Windows下的执行时间会随数据集图片数量的增加而上升。

补充说明 #

• 特征提取已提前完成，所有特征均存储在RAM中（机器内存充足）
• 匹配以并行方式运行（本次测试使用36线程，调整Windows线程数后匹配速度无提升）
• Windows 10和Windows 11上的表现一致

编辑1 #

Windows端代码使用MSVC编译，Linux端使用CLANG编译，我计划尝试在Windows上用CLANG编译并更新测试结果。

可能的性能差异原因 #

• 编译器优化差异：MSVC与CLANG的优化策略不同，CLANG在OpenCV并行计算、SIMD指令生成上可能更适配特征匹配逻辑，尤其是knnMatch内部的距离计算、排序等操作，不同编译器的优化幅度差异会被放大。
• OpenCV后端配置差异：Windows和Linux下OpenCV的默认加速后端可能不同，比如Linux默认启用了OpenBLAS、Intel MKL或TBB的优化，而Windows端未正确配置这些加速库，导致并行效率低下。
• 内存缓存效率差异：Windows的内存分页机制、缓存策略与Linux（WSL2）存在差异，处理大量特征数据时，Windows的缓存命中率更低，导致内存读写开销增大。
• 线程调度机制差异：尽管设置了相同线程数，Windows线程调度器处理密集型计算任务时，上下文切换开销可能比Linux更大，多线程并行处理CPU密集型特征匹配任务时，调度效率差距被放大。
• DescriptorMatcher实现差异：不同平台下DescriptorMatcher的默认实现可能不同，比如Linux使用了更高效的FLANN匹配器优化版本，而Windows端FLANN未启用最大性能模式。

内容的提问来源于stack exchange，提问作者Adam Kuzański