{"id":106297,"date":"2022-12-29T21:37:00","date_gmt":"2022-12-29T19:37:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7"},"modified":"2022-12-29T21:37:00","modified_gmt":"2022-12-29T19:37:00","slug":"vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Ver\u00f6ffentlichung der Computer Vision-Bibliothek OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die OpenCV 4.7-Bibliothek (Open Source Computer Vision Library) wurde ver\u00f6ffentlicht, die Werkzeuge zur Verarbeitung und Analyse von Bildinhalten bereitstellt. OpenCV bietet \u00fcber 2500 Algorithmen, sowohl klassische als auch solche, die die neuesten Fortschritte im Bereich Computer Vision und maschinelles Lernen widerspiegeln. Der Bibliothekscode ist in C++ geschrieben und steht unter der BSD-Lizenz. Bindings sind f\u00fcr verschiedene Programmiersprachen verf\u00fcgbar, darunter Python, MATLAB und Java. <\/p>\n
Die Bibliothek kann zur Objekterkennung in Fotos und Videos (zum Beispiel zur Gesichtserkennung und Erkennung von Menschenfiguren, Texten usw.), zur Verfolgung von Bewegungen von Objekten und Kameras, zur Klassifizierung von Aktivit\u00e4ten in Videos, zur Bildverarbeitung, zur Extraktion von 3D-Modellen, zur Bildung von 3D-R\u00e4umen aus Bildern von Stereo-Kameras, zur Erstellung hochqualitativer Bilder durch das Kombinieren von Bildern niedrigerer Qualit\u00e4t, zur Suche nach Objekten auf einem Bild, die einem vorgestellten Satz von Elementen \u00e4hnlich sind, zur Anwendung von Methoden des maschinellen Lernens, zur Platzierung von Markern, zur Erkennung gemeinsamer Elemente in verschiedenen Bildern, zur automatischen Beseitigung von Defekten wie dem Effekt roter Augen. <\/p>\n
Zu den \u00c4nderungen in der neuen Version geh\u00f6ren: <\/p>\n
\n
Eine umfassende Leistungsoptimierung der Faltung im DNN-Modul (Deep Neural Network) wurde durchgef\u00fchrt, einschlie\u00dflich der Implementierung von Algorithmen f\u00fcr maschinelles Lernen basierend auf neuronalen Netzwerken. Der Winograd-Algorithmus f\u00fcr schnelle Faltungen wurde implementiert. Neue ONNX-Schichten (Open Neural Network Exchange): Scatter, ScatterND, Tile, ReduceL1 und ReduceMin wurden hinzugef\u00fcgt. Unterst\u00fctzung f\u00fcr das OpenVino 2022.1-Framework und das CANN-Backend wurde hinzugef\u00fcgt.\n
Die Qualit\u00e4t der Erkennung und Dekodierung von QR-Codes wurde verbessert.\n
Unterst\u00fctzung f\u00fcr die visuellen Marker ArUco und AprilTag hinzugef\u00fcgt.\n
Ein Nanotrack v2-Tracker auf Basis von neuronalen Netzwerken wurde hinzugef\u00fcgt.\n
Ein Stackblur-Algorithmus wurde implementiert.\n
Unterst\u00fctzung f\u00fcr FFmpeg 5.x und CUDA 12.0 wurde hinzugef\u00fcgt.\n
Eine neue API f\u00fcr die Verarbeitung mehrseitiger Bildformate wurde vorgeschlagen.\n
Unterst\u00fctzung f\u00fcr die libSPNG-Bibliothek f\u00fcr das PNG-Format wurde hinzugef\u00fcgt.\n
In libJPEG-Turbo wurde eine Beschleunigung durch SIMD-Instruktionen aktiviert.\n
F\u00fcr die Android-Plattform wurde Unterst\u00fctzung f\u00fcr H264\/H265 implementiert.\n
Alle grundlegenden APIs f\u00fcr die Programmiersprache Python wurden bereitgestellt.\n
Ein neuer universeller Backend f\u00fcr Vektorinstruktionen wurde hinzugef\u00fcgt. <\/ul>\n