前言：前年替公司实现了一个在线检疫App，接下来一年时不时收到该App的需求功能迭代，部分线下问题跟进。随着新冠疫情防控政策放开，该项目也是下线了。

        从技术角度来看，有自己的独特技术处理特点。下面我想记录一下该App的性能优化点。

        项目结构简介

        整个项目由摄像头采集帧。交给算法（该算法是一个跑在linux上面的应用程序）对图像实现人脸识别，是否佩戴口罩，体温是否异常（红外线测温）。将识别后的帧与结果通过GRPC通信推送给App（针对这一系列需求展开）

 

         该APP主要涉及到的是毫秒级的图像帧，就之前打日志初步观察到1s大概能接收到算法推送10~15帧图像。优化也是围绕图像来处理。

         针对该流程的优化点：1：压缩图片大小提高图像下载速度，2：根据绘制Bitmap的SurfaceView的长宽对原图进行尺寸压缩，3：解码Bitmap格式采用RGB_565，4：Bitmap内存复用.

        关于如上第二点与第三点优化大致代码如下，值得一提的是采用尺寸压缩解码Bitmap还会减少解码时间10ms左右（对于毫秒级反复解码图像，效果提升是非常显著的）

另外对于毫秒级Bitmap反复创建，内存复用是必不可少的，它会让App避免内存抖动的情况（内存抖动时间长了还真会导致App卡顿，最后OOM崩溃了）。 

另功能点“温度图”，对于温度图，算法推送过来的是一个关于温度值的浮点数组。对于这类反复推送，我们任然还得需要内存复用，当初根据该需求写的一个数组缓存池：

/**
 * 温度图对应的数据缓存池
 * 内存复用 避免内存抖动
 */
abstract class AllocAnyArrayPool<T>(cacheSize: Int = 4) {

    companion object {
        const val TAG = "TempDataPool"
    }

    private val arrayPool: LruCache<Int, SoftReference<T>> = LruCache(cacheSize)

    fun getAllocData(arraySize: Int): T = arrayPool.get(arraySize).let {
        if (it == null) {
            return@let createObjSpace(arraySize).apply {
                Timber.i("$TAG ==>from create")
                arrayPool.put(arraySize, SoftReference(this))
            }
        }
        return@let it.get().let { allocData ->
            if (allocData == null) {
                createObjSpace(arraySize).apply {
                    Timber.i("$TAG==>from create")
                    arrayPool.put(arraySize, SoftReference(this))
                }
            } else {
                Timber.i("$TAG==>from cache")
                allocData
            }
        }
    }

    protected abstract fun createObjSpace(arraySize: Int): T

}

 主要记录这么多。当然该App的优化远不止这么多，比如场景抓拍图像压缩上传，人脸识别到人脸库获取信息涉及到本地数据库，减少访问网络次数提升获取数据效率等等