开源跨平台计算机视觉库OpenCV 4.0正式发布

最新推荐文章于 2024-02-02 01:50:00 发布

糖糖糖糖糖糖糖糖糖糖糖糖糖糖糖糖糖糖

最新推荐文章于 2024-02-02 01:50:00 发布

阅读量315

点赞数

本文链接：https://blog.csdn.net/cpongo4/article/details/89148341

版权

OpenCV是英特尔开源的跨平台计算机视觉库，它是一套包含从图像预处理到预训练模型调用等大量视觉 API 的库，并可以处理图像识别、目标检测、图像分割和行人再识别等主流视觉任务。OpenCV提供了覆盖整个流程的工具，因此开发者不需要了解各个模型的原理就能基于各个API构建视觉任务。

$\"image\"$

OpenCV 使用 BSD 许可证，因此对研究和商业用途均免费。它具备 C++、Python 和 Java 接口，支持 Windows、Linux、Mac OS、iOS 和 Android 系统。OpenCV 旨在提高计算效率，专注于实时应用。它使用优化的 C/C++写成，能够有效利用多核处理。此外，在 OpenCL 的加持下，OpenCV 可以利用底层异构计算平台的硬件加速。OpenCV 应用广泛，目前在全世界约有 4.7 万用户，下载量约为 1400 万。

$\"image\"$

可以说 OpenCV 是 CV 领域开发者与研究者的必备工具包，Mask-RCNN 等很多开源项目都依赖于这个工具包。现在距离3.0版本的发布已经过去三年多，OpenCV 4.0 final版本终于于近日发布，这也是4.x版本线的第一个稳定版本，它进一步完善了核心接口，并添加了二维码检测器、ONNX 转换格式等新特点。

重要更新如下：

$\"image\"$

OpenCV 4.0 现在是基于C++ 11的库，因此编译器需要与C++ 11兼容。所使用的CMake需要是3.5.1以上版本。
OpenCV 1.x 中大量C的API已经被移除，受影响的模块包括objdetect、photo、video、videoio、imgcodecs、calib3d。
core 模块中的 Persistence（用于存储和加载 XML、YAML 或 JSON 格式的结构化数据）已经完全基于C++重新实现，因此这里的C API也被移除了。目前，base64支持尚未完成（仅支持加载base64编码的XML和YAML）。此外，存储在FileNode中的序列的随机访问是慢速O(N)操作；使用cv :: FileNodeIterator可以做更快速的顺序访问。从积极的方面来说，加载FileStorage比原来的实现方法节省了3-6倍的内存。

$\"image\"$

针对DNN的改进
- 增加对Mask-RCNN的支持，官方提供了操作指南和Python样例。
- 集成ONNX解析器。当前版本的OpenCV支持许多流行的分类网络，部分支持YOLO对象检测网络（ONNX版本的YOLO缺少一些提供矩形列表的最终图层）。
- 进一步提升使用英特尔DLDT构建的DNN模块的性能。DLDT最近已经正式开源。请参阅指南了解如何构建和使用支持DLDT的OpenCV。
- 添加实验性的Vulkan后端
- 修复了AMD和NVIDIA GPU上的OpenCL加速问题。现在，用户可以直接为模型启用DNN_TARGET_OPENCL，无需额外的环境变量。不过需要注意的是，DNN_TARGET_OPENCL_FP16仅在英特尔GPU上做了测试，因此仍需要额外的标志。
- 为OpenCV支持的最流行的深度学习网络添加了快捷方式。开发者可以指定模型的别名，从而跳过预处理参数甚至模型路径的设置！下面是一个操作示例，原来的做法是：

   python object_detection.py --model    opencv_face_detector.caffemodel --config    opencv_face_detector.prototxt --mean 104 177 123 --width 300 --height 300

现在只需要：

   python object_detection.py opencv_fd

$\"image\"$

添加了新模块G-API，它可作为基于图的高效图像处理流程的引擎。详细信息可以参见Graph API（G-API）页面。

$\"image\"$

实现了流行的Kinect Fusion算法并集成到opencv_contrib/rgbd模块，同时针对CPU 和 GPU (OpenCL) 做了优化。为了使实时样本正常工作，我们在opencv/videoio模块中添加了对Kinect 2的支持。在4.0 beta版本的代码中已经对iGPU做了加速，从而使得高分辨率的情况下（512x512x512集成量）性能提升了3倍。
objdetect 模块中添加了二维码检测器和解码器，可以参考这里的代码示例。
将高效、高质量的 DIS dense optical flow 算法从 opencv_contrib迁移到video模块。
此外，OpenCV 4.0性能也有所提升，图像处理操作可实现15%-30%的速度提升。

以下是目前 OpenCV 支持的一些框架：