[环境配置]Ubuntu 16.04 源码编译安装OpenCV-3.2.0+OpenCV_contrib-3.2.0及产生的问题

当有读者看到我这篇siftgpu入门的学习笔记时，相信你已经读过了高博那篇《slam拾萃：siftgpu》，那篇文章写于16年，已经过去两年的时间。在我尝试配置siftgpu的环境时，遇到了几个问题，在网络上也少有较为系统的关于siftgpu的介绍，因此觉得有必要记录下来，以便同样对此感兴趣的同学们少走弯路。

暑假的时候参加了高分举办的无人机大赛，在进行图像处理的时候用到过特征提取，当时主要是考虑sift和surf两种方法，由于提取速度上的优势，我采用了surf。比赛之后读过一些博客和文章，发觉sift的准确率应该更高一些，而我在比赛中也发现surf偶尔会出现无法匹配的情况。opencv集成了sift算子，我们可以比较容易地利用其中的函数进行特征点的检测，而由于传统的sift算法速度较为缓慢，检测一张图片在台式机上通常都需要100+ms，因此传统的sift算法很难应用在无人机这种资源紧张而且对速度要求很高的平台上。目前我们组的无人平台上主要应用过orbslam和vins。

我的原计划是阅读lowe的论文，理解算法的原理，而后对源码进行一定的优化以在特定的情景中加快检测速度，然而在一次组会中，老板提到了siftgpu让我去了解一下，于是就有了这篇学习笔记。原作者wu changchang来自北卡罗来纳大学教堂山分校，高博文章中的下载链接基于此。

笔者使用的是ubuntu 16.04的系统，工作机配置了cuda9.0，笔记本配置的是cuda9.2，opencv的版本都是3.2.0，关于opencv及其contrib的编译可以参照我的另一篇博文[环境配置]ubuntu 16.04 源码编译安装opencv-3.2.0+opencv_contrib-3.2.0及产生的问题。siftgpu大部分代码是基于opengl的，因此不编译cuda也没有问题，两者速度的对比后面会提到。

 

---

下载和编译

源码编译之前我们需要安装一些包以及glew。

$ sudo apt-get install libgl1-mesa-dev libglu1-mesa-dev freeglut3-dev libdevil-dev

glew的源码位于其，下载最新版的即可，之后直接解压。

$ cd downloads/glew-2.1.0
$ make
$ sudo make install

我们需要告诉系统的cmake工具编译好的文件的位置。

$ sudo ldconfig /usr/lib64/

接下来就是siftgpu的编译了，wu changchang的源码链接已经失效，因此只能去万能的github上下载源码了。但是这个版本的siftgpu有几处问题，编译之前需要更正，否则无法正确编译完成，为方便起见，我fork之后更新了需要更正的文件，放在我的github上，大家可以直接clone我更正后的代码，然后编译siftgpu。

$ cd downloads/siftgpu
$ make

检查一下得到的bin/libsiftgpu.so的链接是否正确

$ ldd bin/libsiftgpu.so

如果得到如下的图片，说明编译成功，每一个库都找到了对应的位置。

 笔者对pitzer的源码主要更改了两个文件，首先一个关于freeglut的问题，报错如下

freeglut error: function <glutdestroywindow> called without first calling 'glutinit'.

我们打开src/siftgpu/litewindow.h，找到

virtual ~litewindow()   {  if(glut_id > 0) glutdestroywindow(glut_id);  }

改为

virtual ~litewindow()   
{  
    if(glut_id > 0) 
    {
    　　int argc = 0;
    　　char** argv;
    　　glutinit(&argc, argv); 
    　　glutdestroywindow(glut_id); 
    } 
}

第二个文件是src/siftgpu/siftgpu.h，在头文件处加一个

#include <stddef.h>

如果缺少这个头文件，会报如下的错误

/home/yao/environment/siftgpu/src/siftgpu/siftgpu.h:336:40: error: declaration of ‘operator new’ as non-function siftgpu_export void* operator new (size_t size);

---

测试与结果

opengl

编译好之后我们当然需要来测试一下，笔者主要使用cmake从命令行进行编译，使用编译器的同学如果是调用cmake工具的话，应该步骤相同。首先我们创建一个工程文件夹，名字就叫test_siftgpu，在文件夹下创建cmakelists.txt

cmake_minimum_required(version 2.8.3)
project(test_siftgpu)

# opencv依赖
find_package( opencv required )

# opengl
find_package(opengl required)

# glut
find_package(glut required)

# glew
find_package(glew required)

# siftgpu：手动设置其头文件与库文件所在位置
include_directories("/home/yao/environment/siftgpu/src/siftgpu/" ${opengl_include_dir})
set(siftgpu_libs "/home/yao/environment/siftgpu/bin/libsiftgpu.so")

add_executable( test_siftgpu main.cpp )
target_link_libraries( testsiftgpu
    ${opencv_libs}
    ${siftgpu_libs}
    ${glew_libraries} ${glut_libraries} ${opengl_libraries}
)

注意设置siftgpu的路径时读者要改成自己的路径。此外高博的文章中写到需要为glew写一个寻找其路径的cmake文件，但在我安装完glew后cmake的modules文件夹下出现了findglew.cmake这个文件，因此我们不需要专门为glew写这个文件，直接加上glew的find_package代码，注意大写。

main.cpp我直接用高博的代码，后续的学习之后可能会写一个新的测试代码，更便于学习。

// siftgpu模块
#include <siftgpu.h>

//标准c++
#include <iostream>
#include <vector>

// opencv图像
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>

// boost库中计时函数
#include <boost/timer.hpp>

// opengl
#include <gl/gl.h>

using namespace std;

int main( int argc, char** argv)
{
    //声明siftgpu并初始化
    siftgpu sift;
    char* myargv[4] ={ "-fo", "-1", "-v", "1"};
    sift.parseparam(4, myargv);

    //检查硬件是否支持siftgpu
    int support = sift.createcontextgl();
    if ( support != siftgpu::siftgpu_full_supported )
    {
        cerr<<"siftgpu is not supported!"<<endl;
        return 2;
    }

    //测试直接读取一张图像
    cout<<"running sift"<<endl;
    boost::timer timer;
    //在此填入你想测试的图像的路径！不要用我的路径！不要用我的路径！不要用我的路径！
    sift.runsift( "/home/yao/workspace/sift_detection/image/1.png" );
    cout<<"siftgpu::runsift() cost time="<<timer.elapsed()<<endl;
    
    // 获取关键点与描述子
    int num = sift.getfeaturenum();
    cout<<"feature number="<<num<<endl;
    vector<float> descriptors(128*num);
    vector<siftgpu::siftkeypoint> keys(num);
    timer.restart();
    sift.getfeaturevector(&keys[0], &descriptors[0]);
    cout<<"siftgpu::getfeaturevector() cost time="<<timer.elapsed()<<endl;

    // 先用opencv读取一个图像，然后调用siftgpu提取特征
    cv::mat img = cv::imread("/home/yao/workspace/sift_detection/image/1.png", 0);
    int width = img.cols;
    int height = img.rows;
    timer.restart();
    // 注意我们处理的是灰度图，故照如下设置
    sift.runsift(width, height, img.data, gl_intensity8, gl_unsigned_byte);
    cout<<"siftgpu::runsift() cost time="<<timer.elapsed()<<endl;

    return 0;
}

然后就是轻车熟路的cmake编译过程了。

$ mkdir build
$ cd build
$ cmake ..
$ make
$ ./test_siftgpu

结果如下图所示

测试代码只调用了opengl，我笔记本的配置是i7-7700hq，显卡gtx1050，可以看到在opencv已经读取了图片的情况下，提取出一张图像中所有的sift特征点只需要31毫秒，直接读取一张图进行sift特征提取的时候，需要100多毫秒，这与传统的sift提取消耗的时间相差不多。多数情况下，我们都是调用opencv进行图像的读取以及后续的处理，因此使用siftgpu可以加快提取特征点的速度。在无人机平台上，图像处理速度一般要求在20hz以上，因此siftgpu获取特征点的策略可以应用于无人机平台，与orb等算子速度相当。

cuda

我们切换至cuda下进行特征点提取，关于调用cuda来完成siftgpu的测试，github上的原作者写的比较含糊，网络上也鲜有教程，因此特做记录如下。

首先切换至siftgpu的安装路径，找到makefile中的

ifneq ($(simple_find_cuda), )
     siftgpu_enable_cuda = 0
else
    siftgpu_enable_cuda = 0
endif

cuda_install_path = /usr/local/cuda
#change  additional  settings, like sm version here if it is not 1.0 (eg. -arch sm_13 for gtx280)
#siftgpu_cuda_options = -xopencc -opt:unroll_size=200000
#siftgpu_cuda_options = -arch sm_10

改为

ifneq ($(simple_find_cuda), )
     siftgpu_enable_cuda = 1
else
    siftgpu_enable_cuda = 0
endif

cuda_install_path = /usr/local/cuda
#change  additional  settings, like sm version here if it is not 1.0 (eg. -arch sm_13 for gtx280)
#siftgpu_cuda_options = -xopencc -opt:unroll_size=200000
siftgpu_cuda_options = -arch sm_50

其中最后一行的sm_50取决于读者电脑的gpu算力，笔者笔记本使用的gpu是pascal架构的gtx1050，算力为5.2，因此采用sm_50这个参数，关于不同gpu的算力可以参考这篇。之后重新编译安装siftgpu。

$ make clean
$ make

我们切回到siftgpu的测试程序，找到主程序main.cpp

char* myargv[4] ={ "-fo", "-1", "-v", "1"};
sift.parseparam(4, myargv);

改为

char* myargv[5] ={ "-fo", "-1", "-v", "1", "-cuda"};
sift.parseparam(5, myargv);

然后cmake编译，就可以测试了，测试结果如下

直接读取图片进行siftgpu的测试运行时间约为88ms，相较于使用opengl的测试速度提升了少许，但还没有质的飞跃，当然也可能跟我的笔记本gpu算力不够强大有关。opencv读取后的数据格式不符，目前还没有找到对应的函数，后续会补充更新的测试程序。

---

总结

sift在特征点检测领域是一个非常优秀的算子，用于匹配准确率高，缺点是速度慢，而wu changchang提出的siftgpu算法加快了特征点的提取，在cuda的加成下相较于只调用opengl的siftgpu速度提升有限，因此对于没有装cuda的同学们来说这算是一个利好。7700hq的cpu+gtx1050的显卡可以将一幅640*480的图像只用31毫秒便找出了所有的特征点，因此在无人机的轻量级运算平台上的应用很可期。

本文主要是介绍了siftgpu的编译和使用过程，改进了源码的几处错误以便于正确编译，尝试了调用cuda的方法，给出了解决方案，对siftgpu的使用提供了较为系统的方法。欢迎读者提出指正与问题，便于讨论与共同进步。