OpenCV过渡指南

变更概述

本文档面向希望将代码迁移到OpenCV 3.0的软件开发人员。

与2.4版本相比，OpenCV 3.0引入了许多新的算法和功能。一些模块已被重写，有些模块已经重组。虽然2.4中的大部分算法仍然存在，但接口可能不同。

本节介绍一般最显着的更改，所有细节和过渡操作的示例在文档的下一部分。

Contrib仓库

https://github.com/opencv/opencv_contrib

这是所有新的，实验的和非免费的算法的地方。与主库相比，支持小组没有受到太多的关注，但社区努力保持良好的状态。

要使用contrib存储库构建OpenCV ，请将以下选项添加到cmake命令中：

-DOPENCV_EXTRA_MODULES_PATH=<path-to-opencv_contrib>/modules

标题布局

在2.4中，所有头都位于相应的模块子文件夹（opencv2 / <module> / <module> .hpp）中，3.0中有顶级模块头，其中包含大部分模块功能：opencv2 / <module> .hpp和all C风格的API定义已被移动到单独的标题（例如opencv2 / core / core_c.h）。

算法接口

一般算法使用模式已经改变了：现在它必须在包裹在智能指针cv :: Ptr的堆上创建。版本2.4允许堆栈和堆分配，直接或通过智能指针。

get和set方法已经从cv :: Algorithm类以及CV_INIT_ALGORITHM宏中删除。在3.0中，所有属性都已转换为getProperty / setProperty纯虚拟方法。因此，它是不是能够创建和使用CV ::算法通过名称实例（使用通用的算法::创建（字符串）方法），应该显式调用相应的工厂方法。

更改模块

• ml模块已被重写
• highgui模块已经分为几部分：imgcodecs，videoio和highgui本身
• features2d模块已被重组（某些功能检测器已被移动到opencv_contrib / xfeatures2d模块）
• 传统的，非自由的模块已被删除。一些算法已被移动到不同的位置，一些算法被完全重写或删除
• CUDA API已经更新（gpu模块 - >几个cuda模块，命名空间gpu - >命名空间cuda）
• OpenCL API已更改（ocl模块已被删除，单独的ocl :: implementation - > Transparent API）
• 其他一些方法和类已被重定位

过渡提示

本节通过实例介绍具体的操作。

准备2.4

在最新的2.4.11 OpenCV版本中进行的一些更改允许您准备当前的代码库进行迁移：

• cv :: makePtr函数现在可用
• opencv2 / <module> .hpp头已创建

新标题布局

注意： OpenCV 3.0中进行了旨在简化迁移的更改，因此不需要以下说明，但建议。

• 更换旧模块标题的内含物
  

// old header
#include "opencv2/<module>/<module>.hpp"
// new header
#include "opencv2/<module>.hpp"

• 如果您的代码使用C API（cv*函数，Cv*结构或CV_*枚举），请包含相应的*_c.h头文件。虽然建议使用C ++ API，但大多数C函数仍然可以在单独的头文件（opencv2 / core / core_c.h，opencv2 / core / types_c.h，opencv2 / imgproc / imgproc_c.h等）中访问。
  

现代使用算法

• 必须使用cv :: makePtr函数或相应的静态工厂方法（如果可用）创建算法实例：
  

// good ways
Ptr<SomeAlgo> algo = makePtr<SomeAlgo>(...);
Ptr<SomeAlgo> algo = SomeAlgo::create(...);

其他方式已弃用：

// bad ways
Ptr<SomeAlgo> algo = new SomeAlgo(...);
SomeAlgo * algo = new SomeAlgo(...);
SomeAlgo algo(...);
Ptr<SomeAlgo> algo = Algorithm::create<SomeAlgo>("name");

• 应通过相应的虚拟方法访问算法属性，getSomeProperty / setSomeProperty，通用get / set方法已被删除：
  

// good way
double clipLimit = clahe->getClipLimit();
clahe->setClipLimit(clipLimit);
// bad way
double clipLimit = clahe->getDouble("clipLimit");
clahe->set("clipLimit", clipLimit);
clahe->setDouble("clipLimit", clipLimit);

• 删除initModule_<moduleName>()呼叫
  

机器学习模块

由于该模块已被重写，因此需要花费一些时间来适应您的软件。所有算法都位于单独的ml命名空间及其基类StatModel中。单独的SomeAlgoParams类已被替换为一组相应的getProperty / setProperty方法。

下表说明了2.4和3.0机器学习类之间的对应关系。

虽然在3.0版中重写的ml算法可以让您从xml / yml文件中加载旧的训练模型，但预测过程中的偏差是可能的。

points_classifier.cpp示例中的以下代码段说明了模型训练过程中的差异：

using namespace cv;
// ======== version 2.4 ========
Mat trainSamples, trainClasses;
prepare_train_data( trainSamples, trainClasses );
CvBoost  boost;
Mat var_types( 1, trainSamples.cols + 1, CV_8UC1, Scalar(CV_VAR_ORDERED) );
var_types.at<uchar>( trainSamples.cols ) = CV_VAR_CATEGORICAL;
CvBoostParams  params( CvBoost::DISCRETE, // boost_type
                       100, // weak_count
                       0.95, // weight_trim_rate
                       2, // max_depth
                       false, //use_surrogates
                       0 // priors
                     );
boost.train( trainSamples, CV_ROW_SAMPLE, trainClasses, Mat(), Mat(), var_types, Mat(), params );
// ======== version 3.0 ========
Ptr<Boost> boost = Boost::create();
boost->setBoostType(Boost::DISCRETE);
boost->setWeakCount(100);
boost->setWeightTrimRate(0.95);
boost->setMaxDepth(2);
boost->setUseSurrogates(false);
boost->setPriors(Mat());
boost->train(prepare_train_data()); // 'prepare_train_data' returns an instance of ml::TrainData class

特征检测

一些算法（FREAK，BRIEF，SIFT，SURF）已被移动到opencv_contrib存储库，到xfeatures2d模块，xfeatures2d命名空间。他们的界面也被改变了（继承于cv::Feature2D基类）。

xfeatures2d模块类的列表：

• cv :: xfeatures2d :: BriefDescriptorExtractor - 用于计算简要描述符的类（2.4位置：features2d）
• cv :: xfeatures2d :: FREAK - 实现FREAK（Fast Retina Keypoint）关键点描述符的类（2.4位置：features2d）
• cv :: xfeatures2d :: StarDetector - 该类实现了CenSurE检测器（2.4位置：features2d）
• cv :: xfeatures2d :: SIFT - 使用Scale Invariant特征变换（SIFT）算法提取关键点和计算描述符的类（2.4位置：非自由）
• cv :: xfeatures2d :: SURF - 用于从图像中提取加速的强大功能的类（2.4位置：非自由）

需要执行以下步骤：

1. 将opencv_contrib添加到编译过程中
2. 包含opencv2/xfeatures2d.h标题
3. 使用命名空间 xfeatures2d
4. 用或替换operator()呼叫detect，compute或detectAndCompute如果需要

一些类现在使用一般方法detect，compute或detectAndCompute由Feature2D基类而不是自定义提供operator()

以下代码片段说明了区别（从video_homography.cpp示例）：

using namespace cv;
// ====== 2.4 =======
#include "opencv2/features2d/features2d.hpp"
BriefDescriptorExtractor brief(32);
GridAdaptedFeatureDetector detector(new FastFeatureDetector(10, true), DESIRED_FTRS, 4, 4);
// ...
detector.detect(gray, query_kpts); //Find interest points
brief.compute(gray, query_kpts, query_desc); //Compute brief descriptors at each keypoint location
// ====== 3.0 =======
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"
using namespace cv::xfeatures2d;
Ptr<BriefDescriptorExtractor> brief = BriefDescriptorExtractor::create(32);
Ptr<FastFeatureDetector> detector = FastFeatureDetector::create(10, true);
// ...
detector->detect(gray, query_kpts); //Find interest points
brief->compute(gray, query_kpts, query_desc); //Compute brief descriptors at each keypoint location

OpenCL的

所有专门的ocl实现都隐藏在一般的C ++算法接口之后。现在可以在运行时动态选择功能执行路径：CPU或OpenCL; 这个机制也被称为“透明API”。

新类cv :: UMat旨在以方便的方式隐藏与OpenCL设备的数据交换。

以下示例说明了API修改（来自OpenCV站点）：

• OpenCL感知代码OpenCV-2.x

// initialization
VideoCapture vcap(...);
ocl::OclCascadeClassifier fd("haar_ff.xml");
ocl::oclMat frame, frameGray;
Mat frameCpu;
vector<Rect> faces;
for(;;){
    // processing loop
    vcap >> frameCpu;
    frame = frameCpu;
    ocl::cvtColor(frame, frameGray, BGR2GRAY);
    ocl::equalizeHist(frameGray, frameGray);
    fd.detectMultiScale(frameGray, faces, ...);
    // draw rectangles …
    // show image …
}

• OpenCL感知代码OpenCV-3.x

// initialization
VideoCapture vcap(...);
CascadeClassifier fd("haar_ff.xml");
UMat frame, frameGray; // the only change from plain CPU version
vector<Rect> faces;
for(;;){
    // processing loop
    vcap >> frame;
    cvtColor(frame, frameGray, BGR2GRAY);
    equalizeHist(frameGray, frameGray);
    fd.detectMultiScale(frameGray, faces, ...);
    // draw rectangles …
    // show image …
}

CUDA

cuda模块已经分成几个较小的部分：

• cuda - CUDA加速计算机视觉
• cudaarithm - 矩阵运算
• cudabgsegm - 背景分割
• cudacodec - 视频编码/解码
• cudafeatures2d - 特征检测和描述
• 咖啡杯 - 图像过滤
• cudaimgproc - 图像处理
• cudalegacy - 遗产支持
• cudaoptflow - 光流
• cudastereo - 立体匹配
• 可口可乐 - 图像扭曲
• cudev - 设备层

gpu命名空间已被删除，使用cv :: cuda命名空间。许多课程也已经重新命名，例如：

• gpu::FAST_GPU- > cv :: cuda :: FastFeatureDetector
• gpu::createBoxFilter_GPU- > cv :: cuda :: createBoxFilter

文件格式

文档已转换为Doxygen格式。您可以在OpenCV参考文档（OpenCV的写作文档）的教程部分找到更新的文档写作指南。

支持两个版本

在某些情况下，可以支持两种版本的OpenCV。

源代码

要检查应用程序源代码中的库主要版本，应使用以下方法：

#include "opencv2/core/version.hpp"
#if CV_MAJOR_VERSION == 2
// do opencv 2 code
#elif CV_MAJOR_VERSION == 3
// do opencv 3 code
#endif

注意

不要使用CV_VERSION_MAJOR，它对2.4和3.x分支有不同的含义！

构建系统

通过检查构建系统中的库版本，可以链接不同的模块或启用/禁用应用程序中的某些功能。可以使用标准cmake或pkg-config变量：

• OpenCV_VERSION 对于cmake将包含完整版本：“2.4.11”或“3.0.0”
• OpenCV_VERSION_MAJOR 对于cmake将仅包含主版本号：2或3
• pkg-config文件有标准字段 Version

例：

if(OpenCV_VERSION VERSION_LESS "3.0")
# use 2.4 modules
else()
# use 3.x modules
endif()