Ubuntu安装笔记(三):ffmpeg(3.2.16)源码编译opencv(3.4.0)

简介: 本文是关于Ubuntu系统中使用ffmpeg 3.2.16源码编译OpenCV 3.4.0的安装笔记,包括安装ffmpeg、编译OpenCV、卸载OpenCV以及常见报错处理。

ffmpeg安装

安装链接:Jetson 环境安装(三):jetson nano配置ffmpeg和nginx(亲测)
安装完以后,在配置文件.zshrc 或者.bashrc中加入ffmpeg的环境变量:

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/Your/Path/ffmpeg/lib/
export PATH=/Your/Path/ffmpeg/ffmpeg/bin/:$PATH
export PKG_CONFIG_PATH=/Your/Path/ffmpeg/lib/pkgconfig/

上述步骤都做完以后,检查ffmpeg是否安装成功:

ffmpeg -version

opencv编译

在这里插入图片描述

我们这里要用自己下载的ffmpeg源码来对opencv源码进行编译
将源码下载下来之后,创建build文件夹,并进入,打开cmd,输入以下的命名即可

cmake -D WITH_IPP=OFF -D BUILD_opencv_python3=YES -D PYTHON_DEFAULT_EXECUTABLE=/home/lqs/anaconda3/bin/python3.7 -D BUILD_opencv_python3=ON -D BUILD_opencv_python2=OFF -D PYTHON3_EXECUTABLE=/home/lqs/anaconda3/bin/python3 -D PYTHON3_INCLUDE_DIR=/home/lqs/anaconda3/include/python3.7m -D PYTHON3_INCLUDE_PATH=/home/lqs/anaconda3/include/python3.7m -D PYTHON3_LIBRARY=/home/lqs/anaconda3/lib/libpython3.7m.so.1.0 -D PYTHON3_NUMPY_INCLUDE_DIRS=/home/lqs/anaconda3/lib/python3.7/site-packages/numpy/core/include -D PYTHON3_PACKAGES_PATH=/home/lqs/anaconda3/lib/python3.7/site-packages -D HAVE_opencv_python3=ON -D OPENCV_ENABLE_MEMORY_SANITIZER=ON -D WITH_QT=OFF -D ENABLE_CXX11=ON -D WITH_CUDA=OFF -D FFMPEG_INCLUDE_DIR=/usr/local/ffmpeg/include -D FFMPEG_LIB_DIR=/usr/local/ffmpeg/lib -D ENABLE_PRECOMPILED_HEADERS=OFF ..

cp /home/lqs/Downloads/opencv-3.4.0/build/lib/python3/* /home/lqs/anaconda3/lib/python3.7/site-packages/
cmake \
-D WITH_IPP=OFF\
-D PYTHON_DEFAULT_EXECUTABLE=$(python -c "import sys; print(sys.executable)")\
-D BUILD_opencv_python3=ON\
-D BUILD_opencv_python2=ON\
-D BUILD_opencv_java=OFF\
-D PYTHON3_EXECUTABLE=$(which python3)\
-D PYTHON3_INCLUDE_DIR=/home/lqs/anaconda3/include/python3.7m\
-D PYTHON3_INCLUDE_PATH=/home/lqs/anaconda3/include/python3.7m\
-D PYTHON3_LIBRARY=/home/lqs/anaconda3/lib/libpython3.7m.so.1.0\
-D PYTHON3_NUMPY_INCLUDE_DIRS=/home/lqs/anaconda3/lib/python3.7/site-packages/numpy/core/include\
-D PYTHON3_NUMPY_PATH=/home/lqs/anaconda3/lib/python3.7/site-packages\
-D OPENCV_ENABLE_MEMORY_SANITIZER=ON\
-D WITH_QT=OFF\
-D ENABLE_CXX11=ON\
-D WITH_CUDA=OFF\
-D FFMPEG_INCLUDE_DIR=/usr/local/ffmpeg/include\
-D FFMPEG_LIB_DIR=/usr/local/ffmpeg/lib\
-D ENABLE_PRECOMPILED_HE ..

然后在通过

make -j8

如果报错了,则你可以将你修改的源代码的文件,替换了/usr/include/x86_64-linux-gnu下的文件,也就是说直接命令行copy /usr/local/ffmpeg/include下的全部文件 到/usr/include/x86_64-linux-gnu。

安装之后目录介绍:bin 执行文件目录,lib 静态,动态链接库目录,include 编程用到的头文件

卸载opencv

  • 找到当初安装opencv建立的build目录,进入目录执行卸载操作
cd cd /home/cheng/somelib/opencv-3.4.10/build/
sudo make uninstall
cd ..
rm -rf build
  • 删除相关项
sudo -s
rm -rf /usr/local/include/opencv2 
rm -rf /usr/local/include/opencv 
rm -rf /usr/include/opencv 
rm -rf /usr/include/opencv2 
rm -rf /usr/local/share/opencv 
rm -rf /usr/local/share/OpenCV 
rm -rf /usr/share/opencv 
rm -rf /usr/share/OpenCV 
rm -rf /usr/local/bin/opencv*
rm -rf /usr/local/lib/libopencv*
  • 查找是否还有剩余
cd /usr
find . -name "*opencv*" | xargs sudo rm -rf
  • 检查是否删除完
pkg-config --modversion opencv

报错情况

  • 1./sbin/ldconfig.real: /usr/local/cuda-11.2/targets/x86_64-linux/lib/libcudnn_ops_train.so.8 不是符号链接

解决办法:建立软链接

sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_adv_train.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_adv_train.so.8
sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_ops_infer.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_ops_infer.so.8
sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_cnn_train.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_cnn_train.so.8
sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_adv_infer.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_adv_infer.so.8
sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_ops_train.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_ops_train.so.8
sudo ln -sf /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_cnn_infer.so.8.0.1 /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcudnn_cnn_infer.so.8
  • 2.cmake: /usr/local/lib/libcurl.so.4: no version information available (required by /usr/bin/cmake)错误
    解决办法
    sudo rm -rf /usr/local/lib/libcurl.so.4
    ln -s /usr/lib/x86_64-linux-gnu/libcurl.so.4.5.0 /usr/local/lib/libcurl.so.4
  • 3 libavcodec/libx264.c:282:9: error: ‘x264_bit_depth’ undeclared (first use in this function); did you mean ‘x264_picture_t’?
    解决办法:打开libx264.c,找到相应的代码行,将“x264_bit_depth”改成“X264_BIT_DEPTH”即可

附录

目录
相关文章
|
2天前
|
编解码 Java 程序员
写代码还有专业的编程显示器?
写代码已经十个年头了, 一直都是习惯直接用一台Mac电脑写代码 偶尔接一个显示器, 但是可能因为公司配的显示器不怎么样, 还要接转接头 搞得桌面杂乱无章,分辨率也低,感觉屏幕还是Mac自带的看着舒服
|
4天前
|
存储 缓存 关系型数据库
MySQL事务日志-Redo Log工作原理分析
事务的隔离性和原子性分别通过锁和事务日志实现,而持久性则依赖于事务日志中的`Redo Log`。在MySQL中,`Redo Log`确保已提交事务的数据能持久保存,即使系统崩溃也能通过重做日志恢复数据。其工作原理是记录数据在内存中的更改,待事务提交时写入磁盘。此外,`Redo Log`采用简单的物理日志格式和高效的顺序IO,确保快速提交。通过不同的落盘策略,可在性能和安全性之间做出权衡。
1540 5
|
1月前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
7天前
|
人工智能 Rust Java
10月更文挑战赛火热启动,坚持热爱坚持创作!
开发者社区10月更文挑战,寻找热爱技术内容创作的你,欢迎来创作!
581 22
|
4天前
|
存储 SQL 关系型数据库
彻底搞懂InnoDB的MVCC多版本并发控制
本文详细介绍了InnoDB存储引擎中的两种并发控制方法:MVCC(多版本并发控制)和LBCC(基于锁的并发控制)。MVCC通过记录版本信息和使用快照读取机制,实现了高并发下的读写操作,而LBCC则通过加锁机制控制并发访问。文章深入探讨了MVCC的工作原理,包括插入、删除、修改流程及查询过程中的快照读取机制。通过多个案例演示了不同隔离级别下MVCC的具体表现,并解释了事务ID的分配和管理方式。最后,对比了四种隔离级别的性能特点,帮助读者理解如何根据具体需求选择合适的隔离级别以优化数据库性能。
201 3
|
10天前
|
JSON 自然语言处理 数据管理
阿里云百炼产品月刊【2024年9月】
阿里云百炼产品月刊【2024年9月】,涵盖本月产品和功能发布、活动,应用实践等内容,帮助您快速了解阿里云百炼产品的最新动态。
阿里云百炼产品月刊【2024年9月】
|
11天前
|
Linux 虚拟化 开发者
一键将CentOs的yum源更换为国内阿里yum源
一键将CentOs的yum源更换为国内阿里yum源
580 5
|
23天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。
|
7天前
|
XML 安全 Java
【Maven】依赖管理,Maven仓库,Maven核心功能
【Maven】依赖管理,Maven仓库,Maven核心功能
233 3
|
9天前
|
存储 人工智能 搜索推荐
数据治理,是时候打破刻板印象了
瓴羊智能数据建设与治理产品Datapin全面升级,可演进扩展的数据架构体系为企业数据治理预留发展空间,推出敏捷版用以解决企业数据量不大但需构建数据的场景问题,基于大模型打造的DataAgent更是为企业用好数据资产提供了便利。
327 2