### 设置 Ubuntu 20.04 C++ 环境以使用 OpenCV 实现 GPU 加速 #### 安装依赖库 为了确保系统的稳定性和兼容性，建议先更新软件包列表并升级现有软件包： ```bash sudo apt-get update && sudo apt-get upgrade -y ``` 接着安装必要的构建工具和其他依赖项： ```bash sudo apt-get install build-essential cmake git pkg-config libgtk-3-dev \ libavcodec-dev libavformat-dev libswscale-dev python3-dev python3-numpy \ libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev gfortran openexr \ libatlas-base-dev protobuf-compiler libgoogle-glog-dev libgflags-dev \ libeigen3-dev libhdf5-dev doxygen -y ``` 对于 CUDA 支持，则需额外安装一些特定的库文件[^1]。 #### 安装 NVIDIA 驱动程序、CUDA 工具包以及 cuDNN 库 访问[NVIDIA官方网站](https://developer.nvidia.com/cuda-downloads)，根据自己的硬件条件下载适合版本的驱动程序与 CUDA Toolkit。按照官方指南完成安装过程后，还需单独获取cuDNN SDK，并将其解压到指定路径下[^4]。 #### 编译安装 OpenCV 从 GitHub 获取最新版源码仓库，并切换至目标分支（如 `master` 或者某个稳定的发布标签）。创建一个新的目录用于存放编译产物，进入该目录执行如下命令来配置项目参数： ```bash mkdir -p ~/opencv_build && cd ~/opencv_build git clone https://github.com/opencv/opencv.git opencv cd opencv git checkout tags/4.5.5 -b 4.5.5 # 替换成所需的具体版本号 cd .. git clone https://github.com/opencv/opencv_contrib.git opencv_contrib cd opencv_contrib git checkout tags/4.5.5 -b 4.5.5 # 版本号保持一致 cd .. cmake -DCMAKE_BUILD_TYPE=Release \ -DCMAKE_INSTALL_PREFIX=/usr/local \ -DBUILD_opencv_python2=OFF \ -DBUILD_opencv_python3=ON \ -DPYTHON_DEFAULT_EXECUTABLE=$(which python3) \ -DOPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules \ -DWITH_CUDA=ON \ -DCUDA_ARCH_BIN="7.5" \ # 根据实际使用的GPU架构调整此值 -DWITH_CUDNN=ON \ -DENABLE_FAST_MATH=ON \ ../opencv/ ``` 上述指令中包含了多个重要的开关选项，比如启用了 Python3 绑定(`BUILD_opencv_python3`)、指定了附加模块的位置 (`OPENCV_EXTRA_MODULES_PATH`) 并开启了对 CUDA 和 cuDNN 的支持 (`WITH_CUDA`, `WITH_CUDNN`). 同时还设置了针对具体 GPU 架构优化的目标二进制版本 (`CUDA_ARCH_BIN`) [^2]. 之后就可以开始正式编译了: ```bash make -j$(nproc --all) sudo make install ``` 这一步骤会利用多线程加速整个编译流程，其中 `-j$(nproc --all)` 参数表示启用所有可用的核心来进行并发处理. #### 测试 dense_flow 功能 验证安装是否成功的一个方法就是尝试运行一个简单的密集光流算法实例。可以参照官方文档中的教程编写相应的测试代码: ```cpp #include <iostream> #include "opencv2/core.hpp" #include "opencv2/videoio.hpp" #include "opencv2/highgui.hpp" #include "opencv2/optflow.hpp" using namespace cv; using namespace std; int main(int argc, char **argv){ VideoCapture cap(0); Mat frame, prevgray, gray; Ptr<DenseOpticalFlow> fn = createOptFlow_DualTVL1(); while (true){ cap >> frame; if (frame.empty()) break; cvtColor(frame, gray, COLOR_BGR2GRAY); if(prevgray.data != NULL){ vector<uchar> status; vector<float> err; calcOpticalFlowFarneback(prevgray, gray, flow, 0.5, 3, 15, 3, 5, 1.2, 0); drawOptFlowMap(flow, cflow, Scalar::all(0), Size(), CV_RGB(255, 0, 0)); imshow("optical flow", cflow); } swap(gray, prevgray); int k = waitKey(30); if(k == 'q' || k == 27 ) break; } return 0; } ``` 这段代码实现了通过摄像头捕获视频帧并对相邻两帧之间计算稠密光流向量场的功能。注意这里调用了 `createOptFlow_DualTVL1()` 函数创建了一个基于 TV-L1 方法的对象作为流动估计器；而真正绘制向量图的部分则采用了更通用但效率较低的 Farneback 法替代原文中提到却未给出定义的 `drawOptFlowMap()`. 此外还需要引入额外头文件 `<vector>` 来存储状态信息和误差度量结果.