{"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\/novosti-interneta\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Die Ver\u00f6ffentlichung der Computer Vision-Bibliothek OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die freie Bibliothek OpenCV 4.7 (Open Source Computer Vision Library) wurde ver\u00f6ffentlicht und bietet Werkzeuge zur Verarbeitung und Analyse von Bildinhalten. OpenCV stellt \u00fcber 2500 Algorithmen zur Verf\u00fcgung, sowohl klassische als auch solche, die die neuesten Fortschritte im Bereich der Computer Vision und des maschinellen Lernens widerspiegeln. Der Code der Bibliothek ist in C++ geschrieben und wird unter der BSD-Lizenz vergeben. Bindings sind f\u00fcr verschiedene Programmiersprachen, einschlie\u00dflich Python, MATLAB und Java, verf\u00fcgbar. <\/p>\n
Die Bibliothek kann zur Objekterkennung in Fotos und Videos verwendet werden (zum Beispiel zur Gesichtserkennung, Erkennung von Personen, Texten usw.), zur Bewegungserfassung von Objekten und Kameras, zur Klassifizierung von Aktionen in Videos, zur Bildtransformation, zur Extraktion von 3D-Modellen, zur Erstellung von 3D-R\u00e4umen aus Aufnahmen von Stereo-Kameras, zur Verbesserung von Bildern durch Zusammenf\u00fchrung von Aufnahmen niedrigerer Qualit\u00e4t, zur Identifizierung von objekten in einem Bild, die einem vorgegebenen Set \u00e4hneln, zur Anwendung von Methoden des maschinellen Lernens, zur Markerplatzierung, zur Identifikation gemeinsamer Elemente in verschiedenen Bildern sowie zur automatischen Behebung von Defekten wie dem roten Auge. <\/p>\n
Zu den \u00c4nderungen in der neuen Version geh\u00f6ren: <\/p>\n
\n
Es wurde eine signifikante Leistungsoptimierung der Faltung im DNN-Modul (Deep Neural Network) mit der Implementierung von Algorithmen f\u00fcr maschinelles Lernen auf Basis neuronaler Netze durchgef\u00fchrt. Der Winograd-Schnellfaltungsalgorithmus wurde implementiert. Neue ONNX (Open Neural Network Exchange)-Schichten wurden hinzugef\u00fcgt: Scatter, ScatterND, Tile, ReduceL1 und ReduceMin. 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
Visuelle Marker wie ArUco und AprilTag werden jetzt unterst\u00fctzt.\n
Ein neuer Nanotrack v2 Tracker auf Basis neuronaler Netzwerke wurde hinzugef\u00fcgt.\n
Der Stackblur-Algorithmus zur Bildunsch\u00e4rfe wurde implementiert.\n
Unterst\u00fctzung f\u00fcr FFmpeg 5.x und CUDA 12.0 wurde hinzugef\u00fcgt.\n
Eine neue API f\u00fcr die Manipulation von mehrseitigen Bildformaten wurde vorgeschlagen.\n
Die libSPNG-Bibliothek f\u00fcr das PNG-Format wird jetzt unterst\u00fctzt.\n
In libJPEG-Turbo wird die Beschleunigung mit SIMD-Anweisungen genutzt.\n
F\u00fcr die Android-Plattform wurde Unterst\u00fctzung f\u00fcr H264\/H265 realisiert.\n
Alle grundlegenden APIs f\u00fcr die Programmiersprache Python werden bereitgestellt.\n
Ein neuer universeller Backend f\u00fcr vektorbasierte Anweisungen wurde hinzugef\u00fcgt. <\/ul>\n