精通人脸识别01：opencv介绍

精通人脸识别01：opencv介绍

---

一、OpenCV介绍

OpenCV于1999年由Gary Bradsky在英特尔创立，第一个版本于2000年问世。随后Vadim Pisarevsky加入了Gary Bradsky，主要负责管理英特尔的俄罗斯软件OpenCV团队。2005年，OpenCV被用于Stanley车型，并赢得2005年DARPA大挑战。后来，它在Willow Garage的支持下持续并积极发展，转为由Gary Bradsky和Vadim Pisarevsky领导该项目。OpenCV现在支持与计算机视觉和机器学习相关的众多算法，并且正在日益扩展。

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，支持各种编程语言，如C ++，Python，Java等，可以在不同的系统平台上使用，包括WindowsLinux，OS X，Android和iOS。基于CUDA和OpenCL的高速GPU操作接口也在积极开发中。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。

在计算机视觉项目的开发中，OpenCV作为较大众的开源库，拥有了丰富的常用图像处理函数库，采用C/C++语言编写，可以运行在Linux/Windows/Mac等操作系统上，能够快速的实现一些图像处理和识别的任务。此外，OpenCV还提供了Java、python、cuda等的使用接口、机器学习的基础算法调用，从而使得图像处理和图像分析变得更加易于上手，让开发人员更多的精力花在算法的设计上。

 

二、应用领域 
1、人机互动

2、物体识别

3、图像分割

4、人脸识别

5、动作识别

6、运动跟踪

7、机器人

8、运动分析

9、机器视觉

10、结构分析

11、汽车安全驾驶

图像数据的操作 ( 分配、释放、复制、设置和转换)。 图像是视频的输入输出I/O （文件与摄像头的输入、图像和视频文件输出）。 
矩阵和向量的操作以及线性代数的算法程序（矩阵积、解方程、特征值以及奇异值等）。 
各种动态数据结构（列表、队列、集合、树、图等）。 
基本的数字图像处理（滤波、边缘检测、角点检测、采样与差值、色彩转换、形态操作、直方图、图像金字塔等）。 
结构分析（连接部件、轮廓处理、距离变换、各自距计算、模板匹配、Hough变换、多边形逼近、直线拟合、椭圆拟合、Delaunay 三角划分等）。 
摄像头定标（发现与跟踪定标模式、定标、基本矩阵估计、齐次矩阵估计、立体对应）。 
运动分析（光流、运动分割、跟踪）。 
目标识别（特征法、隐马尔可夫模型：HMM）。 
基本的GUI （图像与视频显示、键盘和鼠标事件处理、滚动条）
 

三、OpenCV具有模块化结构，即包含多个共享库或者静态库，模块结构如下：

• 核心功能（Core functionality） - 一个紧凑的模块，定义了基本的数据结构，包括密集的多维Mat数组和被其他模块使用的基本功能。
• 图像处理（Image processing） - 一个图像处理模块，它包括线性和非线性图像滤波，几何图形转化（重置大小，放射和透视变形，通用基本表格重置映射），色彩空间转换，直方图等。
• 影像分析（video） - 一个影像分析模块，它包括动作判断，背景弱化和目标跟踪算法。
• 3D校准（calib3d） - 基于多视图的几何算法，平面和立体摄像机校准，对象姿势判断，立体匹配算法，和3D元素的重建。
• 平面特征（features2d） - 突出的特征判断，特征描述和对特征描述的对比。
• 对象侦查（objdetect） - 目标和预定义类别实例化的侦查（例如：脸、眼睛、杯子、人、汽车等等）。
• highgui - 一个容易使用的用户功能界面。
• 视频输入输出（videoio） - 一个容易使用的视频采集和视频解码器。
• GPU - 来自不同OpenCV模块的GPU加速算法。
• … 一些其他的辅助模块，比如FLANN和谷歌的测试封装，Python绑定和其他。

四、基于统计学机器学习库

• Boosting算法
• Decision Tree(决策树)学习
• Gradient Boosting算法
• EM算法(期望最大化)
• KNN算法
• 朴素贝叶斯分类
• 人工神经网络
• 随机森林
• 支掌向量机

五、重要更新：

OpenCV 4.0 现在是一个 C++11 库，要求 C++11 兼容的编译器。所需的 CMake 至少是 3.5.1 版本。移除 OpenCV 1.x 中的大量 C API。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）可以完全使用 C++ 来重新实现，因此这里的 C API 也被移除。添加了新模块 G-API，它可作为基于图的高效图像处理流程。dnn 模块包括实验用 Vulkan 后端，且支持 ONNX 格式的网络。实现了流行的 Kinect Fusion 算法，且为 CPU 和 GPU (OpenCL) 进行优化。objdetect 模块中添加了二维码检测器和解码器。将高效、高质量的 DIS dense optical flow 算法从 opencv_contrib 移到 video 模块。

此外，OpenCV 4.0 支持 Mask-RCNN 模型，性能也有所提升，图像处理操作可实现 15%-30% 的速度提升。