Der frie OpenCV 4.7 (Open Source Computer Vision Library) er blevet udgivet, hvilket giver værktøjer til behandling og analyse af billedindhold. OpenCV tilbyder mere end 2500 algoritmer, både klassiske og dem, der afspejler de nyeste fremskridt inden for computer vision og maskinlæring. Bibliotekets kode er skrevet i C++ og distribueres under BSD-licens. Bindinger er tilgængelige for forskellige programmeringssprog, herunder Python, MATLAB og Java.
Biblioteket kan anvendes til genkendelse af objekter på billeder og videoer (for eksempel ansigts- og menneskefigurgenkendelse, tekst osv.), overvågning af bevægelse af objekter og kameraer, klassificering af handlinger i video, billedbehandling, udvinding af 3D-modeller, dannelse af 3D-rum fra billeder fra stereokameraer, skabelse af høj kvalitet billeder ved at sammenflette billeder af lavere kvalitet, søgning på billeder efter objekter, der ligner det præsenterede sæt elementer, anvendelse af maskinlæringsmetoder, placering af markører, identifikation af fælles elementer på forskellige billeder, automatisk reparation af defekter, såsom røde øjne effekt.
Blandt ændringerne i den nye udgave:
- Der er blevet foretaget betydelige optimeringer af ydeevnen ved konvolution i DNN (Deep Neural Network) modulet med implementering af maskinlæringsalgoritmer baseret på neurale netværk. Algoritmen til hurtige Vinograd-konvolutioner er blevet implementeret. Nye ONNX (Open Neural Network Exchange) lag er tilføjet: Scatter, ScatterND, Tile, ReduceL1 og ReduceMin. Support for OpenVino 2022.1-frameworket og CANN-backenden er blevet tilføjet.
- Kvaliteten af QR-kodegenkendelse og dekodning er forbedret.
- Support for visuelle markører ArUco og AprilTag er blevet tilføjet.
- Nanotrack v2 tracker baseret på neurale netværk er blevet tilføjet.
- Stackblur-blur-algoritmen er blevet implementeret.
- Support for FFmpeg 5.x og CUDA 12.0 er blevet tilføjet.
- Et nyt API til manipulation af flersidede billedformater er blevet foreslået.
- Support for libSPNG-biblioteket til PNG-formatet er blevet tilføjet.
- Accelerationen ved hjælp af SIMD-instruktioner er blevet aktiveret i libJPEG-Turbo.
- H264/H265-support er blevet implementeret til Android-platformen.
- Alle grundlæggende API'er til Python-sproget er blevet givet.
- En ny universel backend til vektorordrer er blevet tilføjet.
Kilde: opennet.ru
