Ubuntu 18.04下搞定OpenCV2与OpenCV3共存，手把手教你编译Kalibr标定工具
Ubuntu 18.04下实现OpenCV2与OpenCV3共存的Kalibr编译实战指南
在机器人视觉与SLAM开发领域，传感器标定的准确性直接影响算法性能。作为相机-IMU联合标定的黄金标准工具，Kalibr因其严格的OpenCV2依赖让许多开发者望而却步——特别是在Ubuntu 18.04默认搭载OpenCV3的环境中。本文将揭示一种隔离式环境构建方案，通过ROS生态的catkin工具链实现OpenCV版本共存，最终完成Kalibr的稳定编译与部署。
1. 环境隔离的核心思路
传统暴力安装OpenCV2的方案会导致系统级依赖混乱，甚至破坏现有视觉应用。我们采用的catkin虚拟环境方案具有三大优势：
- 系统零污染：仅在ROS工作空间内局部部署OpenCV2
- 版本可控：精确锁定OpenCV 2.4.13（Kalibr官方验证版本）
- 依赖隔离：通过
opencv2_catkin包实现编译时自动链接
关键组件对比：
| 方案类型 | 实现难度 | 系统影响 | 维护成本 |
|---|---|---|---|
| 源码编译替换 | ★★★★ | 高（全局覆盖） | 需手动管理符号链接 |
| 容器化部署 | ★★ | 无 | 需配置Docker环境 |
| catkin虚拟环境 | ★★ | 零 | 随工作空间自动加载 |
提示：该方案同样适用于需要同时维护多个OpenCV版本的其他场景，如ROS Melodic与Noetic的跨版本开发。
2. 构建OpenCV2虚拟环境
2.1 基础环境准备
首先确保已安装ROS Melodic基础环境（Ubuntu 18.04官方推荐版本）：
sudo apt update && sudo apt install -y \ build-essential cmake git wget \ python-catkin-tools ros-melodic-catkin创建工作空间并初始化：
mkdir -p ~/kalibr_ws/src cd ~/kalibr_ws catkin init catkin config --extend /opt/ros/melodic catkin config --cmake-args -DCMAKE_BUILD_TYPE=Release2.2 部署隔离式OpenCV2
获取关键组件源码：
cd ~/kalibr_ws/src git clone https://github.com/ethz-asl/opencv2_catkin.git git clone https://github.com/catkin/catkin_simple.git编译验证环境：
catkin build opencv2_catkin成功编译后会在devel目录生成隔离的OpenCV2环境，通过以下命令验证：
source devel/setup.bash python -c "import cv2; print(cv2.__version__)" # 应输出2.4.133. Kalibr的定制化编译
3.1 依赖项完整安装
除OpenCV外，Kalibr还需要以下关键组件：
sudo apt install -y \ libsuitesparse-dev \ libeigen3-dev \ libboost-all-dev \ python-igraph \ python-matplotlib \ python-scipy特别注意事项：
python-igraph需要从官方源安装- 确保
libopencv-dev已安装（系统OpenCV3）
3.2 源码适配与修改
获取Kalibr源码：
cd ~/kalibr_ws/src git clone https://github.com/ethz-asl/kalibr.git必须进行的源码修改：
BSplinePython.cpp适配
在kalibr/aslam_nonparametric_estimation/bsplines_python/src/BSplinePython.cpp中：- 添加头文件
#include <functional> - 替换所有
_1为std::placeholders::_1
- 添加头文件
CMakeLists.txt调整
在kalibr/CMakeLists.txt开头添加：find_package(catkin_simple REQUIRED) cs_add_definitions(-DROS_BUILD)
3.3 编译与验证
执行完整编译：
catkin build kalibr -DCMAKE_BUILD_TYPE=Release -j$(nproc)编译成功后进行环境加载测试：
source ~/kalibr_ws/devel/setup.bash kalibr_calibrate_imu_camera --help # 应显示帮助信息4. 常见问题解决方案
4.1 编译错误排查表
| 错误现象 | 可能原因 | 解决方案 |
|---|---|---|
undefined reference to cv::xxx | OpenCV链接错误 | 确认已source环境且opencv2_catkin编译成功 |
boost::placeholders相关错误 | C++11兼容问题 | 确保编译参数包含-std=c++11 |
python-igraph导入失败 | 版本不匹配 | 使用apt install python-igraph而非pip安装 |
4.2 运行时问题处理
多版本OpenCV冲突的终极验证方法：
ldd $(which kalibr_calibrate_imu_camera) | grep opencv应显示链接到~/kalibr_ws/devel/lib下的库文件而非系统路径。
5. 标定实战技巧
成功编译后，推荐采用以下工作流：
数据采集准备：
kalibr_bagcreater --folder ./images --output ./calib.bag标定板配置：
target_type: 'checkerboard' targetCols: 6 targetRows: 7 rowSpacingMeters: 0.04 colSpacingMeters: 0.04执行联合标定：
kalibr_calibrate_imu_camera \ --target ./checkerboard.yaml \ --bag ./calib.bag \ --models pinhole-radtan \ --topics /cam0/image_raw /imu0
经验提示：标定过程中保持设备进行充分三维运动（特别是绕各轴旋转），可获得更准确的IMU参数估计。
这套环境构建方案已在多个实际机器人项目中验证，包括室内服务机器人和无人机视觉导航系统。最关键的是始终保持工作空间环境的隔离性——每次新开终端都需要先执行source ~/kalibr_ws/devel/setup.bash才能正常使用Kalibr工具链。