Win10 + VS2017 + Ceres配置

2023-11-16

【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。
在这里插入图片描述
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。
在这里插入图片描述
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 -->调试–>环境：PATH=%PATH%;.\lib;（上一步中的lib文件）
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：在这里插入图片描述