本文是在上一篇文章的基础上加入CUDA的配置，核心依然是使用Cmake对OpenCV+Contrib进行配置。配置过程中需要注意一些小细节的设置并且一定要有耐心。
上一篇文章链接：https://blog.csdn.net/stjuliet/article/details/83903619
step1 运行环境和前期准备
操作系统和其他基础配置请参考上文，这里只展示与上文不一样的地方。
笔者的显卡为NVIDIA GeForce GT730 (2GB)，计算能力为3.5.
1、查看自己电脑配置的显卡是否为NVIDIA显卡，是否支持CUDA：
https://developer.nvidia.com/cuda-gpus
2、下载显卡驱动并安装：
https://www.nvidia.cn/Download/index.aspx?lang=cn
此步骤可以省略，安装CUDA时会自动安装显卡驱动程序
3、根据自己电脑的情况下载CUDA并安装：
https://developer.nvidia.com/cuda-toolkit
因笔者使用的是VS2017，因此只能选择CUDA10.0，如果需要使用其他版本可以直接搜索找到下载链接
建议选择精简版，并且不修改安装路径
驱动和CUDA的具体安装过程可参考下文：
https://blog.csdn.net/qq_30623591/article/details/82084113
step2 编译OpenCV和Contrib库(WITH CUDA)
笔者的配置过程参考了以下文章：
https://blog.csdn.net/fengbingchun/article/details/9831837
https://blog.csdn.net/qq_15947787/article/details/78534272
https://blog.csdn.net/Goerge_L/article/details/79777989
https://blog.csdn.net/mangobar/article/details/80459866
1、
2、
点击finish后等待第一次congfigure done。在上文的基础上勾选WITH_CUDA，并且在配置表中找到“OPENCV_EXTRA_MODULES_PATH”，设置其参数值为open_contrib源码包中的modules目录。如果想缩短编译和重新生成解决方案的时间，建议将BUILD_EXAMPLES去除。再次点击configure。
3、
第二次configure done并且没有红色时，点击generate，完成后直接点击open project或者到编译输出目录下找到OpenCV.sln使用自己的VS打开此解决方案，打开解决方案后在x64 debug下重新生成解决方案。
重新生成过程中如果遇到提示“某个项目外部环境已更改”，选择全部重新加载即可。
配置CUDA的情况下，重新生成解决方案的时间很长，平均都要2-3小时，耐心等待吧。
接着找到CMakeTargets中的INSTALL，然后右键选择“仅用于项目”–>“仅生成INSTALL”。
生成结束后，按照之前的方法，新建解决方案后在属性管理器中把包含目录、库目录和附加依赖项配置好。
包含目录和库目录可以参考上一篇配置的文章。
附加依赖项（与之前有所不同，多了一些cuda的模块）：
opencv_aruco343d.lib
opencv_bgsegm343d.lib
opencv_bioinspired343d.lib
opencv_calib3d343d.lib
opencv_ccalib343d.lib
opencv_core343d.lib
opencv_cudaarithm343d.lib
opencv_cudabgsegm343d.lib
opencv_cudacodec343d.lib
opencv_cudafeatures2d343d.lib
opencv_cudafilters343d.lib
opencv_cudaimgproc343d.lib
opencv_cudalegacy343d.lib
opencv_cudaobjdetect343d.lib
opencv_cudaoptflow343d.lib
opencv_cudastereo343d.lib
opencv_cudawarping343d.lib
opencv_cudev343d.lib
opencv_datasets343d.lib
opencv_dnn343d.lib
opencv_dpm343d.lib
opencv_face343d.lib
opencv_features2d343d.lib
opencv_flann343d.lib
opencv_fuzzy343d.lib
opencv_highgui343d.lib
opencv_img_hash343d.lib
opencv_imgcodecs343d.lib
opencv_imgproc343d.lib
opencv_line_descriptor343d.lib
opencv_ml343d.lib
opencv_objdetect343d.lib
opencv_optflow343d.lib
opencv_phase_unwrapping343d.lib
opencv_photo343d.lib
opencv_plot343d.lib
opencv_reg343d.lib
opencv_rgbd343d.lib
opencv_saliency343d.lib
opencv_shape343d.lib
opencv_stereo343d.lib
opencv_stitching343d.lib
opencv_structured_light343d.lib
opencv_superres343d.lib
opencv_surface_matching343d.lib
opencv_text343d.lib
opencv_tracking343d.lib
opencv_video343d.lib
opencv_videoio343d.lib
opencv_videostab343d.lib
opencv_xfeatures2d343d.lib
opencv_ximgproc343d.lib
opencv_xobjdetect343d.lib
opencv_xphoto343d.lib
注：重新生成解决方案不报错那自然是最好的了，笔者试了好几次，只有第一次完全正确，之后总是有少许错误，虽然不影响最后的install结果，但是会少1-2个lib，可能有些功能就无法使用了。经过多次测试，笔者发现如果某一个项目没有成功生成，可以直接到编译输出目录下的modules文件夹中找到未成功的项目名称文件夹，打开对应的.sln文件重新生成解决方案，再到CMakeTargets中生成INSTALL。这种方法不需要对所有项目再全部重新生成一遍，可以节约很多时间。
step3 测试
测试的目的主要是检测OpenCV是否正确配置好CUDA，是否可以使用GPU进行加速。
测试代码主要有以下三种：
//OpenCV3以后将命名空间变为cv::cuda, 原先是cv::gpu
//测试显卡方法1(此方法可以读取显卡型号)
cv::cuda::printShortCudaDeviceInfo(cv::cuda::getDevice());
//测试显卡方法2
int iDevicesNum = cv::cuda::getCudaEnabledDeviceCount();
cout << iDevicesNum << endl;
//测试显卡方法3
cv::cuda::DeviceInfo _deviceInfo;
bool _isDeviceOK = _deviceInfo.isCompatible();
std::cout << "IsGPUDeviceOK : " << _isDeviceOK << std::endl;
如果抛出no cuda support的错误，可以将编译输出目录->install->x64->vc15->bin下的opencv_core343d.dll复制到C盘Windows的system32和64目录下。
网上找的测试代码，使用ORB提取单幅图像的特征点：
https://blog.csdn.net/m0_37857300/article/details/79039214
测试图片来自于毛星云《OpenCV3编程入门》配套电子资料。
断断续续摸索了一个星期多的时间，配置过程磕磕绊绊，总算把遇到的各种问题都解决了，但是因为各种因素，笔者打算弃用VS2017，转为之前一直使用的VS2015，因此此文写得较为简单，下文会详细写VS2015的CUDA配置过程。
非常感谢博客上关于CUDA配置的各种攻略和资源。
Juliet 于 2018.11