【前言】
Ceres是google出品的一款基于C++的开源非线性优化库。官方文档:Ceres官方文档地址
【依赖库】
Eigen - 官网
glog - github
gflags - github
Ceres - github
【配置过程】
1.Eigen
Eigen是由.h文件构成的一款支持矩阵运算的数学计算库,因此不需要额外编译,仅解压缩后得到源码文件即可。
2.glog
解压得到源码文件glog-master后,在同级目录下建立glog_build文件夹,用来放置编译后的文件。打开CMAKE客户端,对应选择源码文件路径和编译文件路径,如下图所示。
然后就可以通过Configure按钮选择配置属性,我们这里选择VS2017的Win64,如图。
之后点击Finish就可以触发Cmake进行配置,配置表单会有一些标红的项目,此时需要注意一点:BUILD_SHARED_LIBS选项需要勾选,用来生成dll文件,如图。
若没有这个项目,可以通过Add Entry来手动添加。
之后再次触发Configure,直到没有红色错误为止;再触发Generate按钮,如下提示则表示CMake顺利结束。
然后在glog_build文件夹下打开glog.sln文件,分别在Release x64和Debug x64模式下重新生成ALL_BUILD。
3.gflags
与glog一致,建立gflags_build文件夹,存放编译后的文件。Cmake的配置方式也与之前相同。再次提示一点BUILD_SHARED_LIBS选项需要勾选,用来生成dll文件。打开生成的gflags.sln文件,分别在Release x64和Debug x64模式下重新生成ALL_BUILD。
4.Ceres
与前面两个配置方案一致,建立ceres_build文件夹,存放编译后的文件。Cmake的时候也要注意,BUILD_SHARED_LIBS选项需要勾选,用来生成dll文件。打开生成的Ceres.sln文件,分别在Release x64和Debug x64模式下重新生成ALL_BUILD。
5.包含文件和链接库整理
新建include文件夹和lib文件夹,分别存放包含文件和引用库,方便后面VS配置使用。需要说明的是,这一步不是必须的,只是把分散在各处的相关文件聚集在同一个公共位置而已。
include内放置如下文件:
.\eigen-3.3.7\Eigen
.\glog_build\glog
.\glog-master\src\glog
.\gflags_build\include\gflags
.\ceres-solver-1.14.0\include\ceres
lib内存放如下文件:
.\glog_build\Debug\glogd.dll
.\glog_build\Debug\glogd.lib
.\glog_build\Release\glog.dll
.\glog_build\Release\glog.lib
.\gflags_build\bin\Debug\gflags_debug.dll
.\gflags_build\lib\Debug\gflags_debug.lib
.\gflags_build\bin\Release\gflags.dll
.\gflags_build\lib\Release\gflags.lib
.\ceres-solver_build\bin\Debug\ceres-debug.dll
.\ceres-solver_build\lib\Debug\ceres-debug.lib
.\ceres-solver_build\bin\Release\ceres.dll
.\ceres-solver_build\lib\Release\ceres.lib
6.VS配置
新建一个VS工程,属性配置如下(Debug与Release类似)。
配置属性 --> VC++目录 --> 包含目录:.\include;(上一步中的include文件)
配置属性 --> VC++目录 --> 库目录:.\lib;(上一步中的lib文件)
配置属性 --> 链接器 --> 输入 --> 附加依赖项:
ceres.lib
ceres-debug.lib
glog.lib
glogd.lib
gflags.lib
gflags_debug.lib
7.测试代码
#include<iostream>
#include<ceres/ceres.h>
//第一部分:构建代价函数,重载()符号,仿函数的小技巧
struct CostFunctor {
template <typename T>
bool operator()(const T* const x, T* residual) const {
//residual[0] = T(10.0) - x[0];
residual[0] = (T(10.0) - x[0])*(T(10.0) - x[0])*T(0.5);
return true;
}
};
//主函数
int main() {
//google::InitGoogleLogging(argv[0]);
// 寻优参数x的初始值,为5
double initial_x = 5.0;
double x = initial_x;
// 第二部分:构建寻优问题
ceres::Problem problem;
ceres::CostFunction* cost_function =
new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor); //使用自动求导,将之前的代价函数结构体传入,第一个1是输出维度,即残差的维度,第二个1是输入维度,即待寻优参数x的维度。
problem.AddResidualBlock(cost_function, NULL, &x); //向问题中添加误差项,本问题比较简单,添加一个就行。
//第三部分: 配置并运行求解器
ceres::Solver::Options options;
options.linear_solver_type = ceres::DENSE_QR; //配置增量方程的解法
options.minimizer_progress_to_stdout = true;//输出到cout
ceres::Solver::Summary summary;//优化信息
ceres::Solve(options, &problem, &summary);//求解!!!
std::cout << summary.BriefReport() << std::endl;//输出优化的简要信息
//最终结果
std::cout << "x : " << initial_x
<< " -> " << x << std::endl;
system("pause");
return 0;
}
运行结果如下:
相关参考
参考1;参考2;参考3;参考4