sortie de la bibliothèque libre (Bibliothèque de Vision par Ordinateur Open Source), fournissant des outils pour le traitement et l'analyse du contenu des images. OpenCV offre plus de 2500 algorithmes, à la fois classiques et reflétant les dernières avancées dans le domaine de la vision par ordinateur et des systèmes d'apprentissage automatique. Le code de la bibliothèque est écrit en C++ et sous licence BSD. Des liaisons ont été préparées pour divers langages de programmation, y compris Python, MATLAB et Java.
La bibliothèque peut être utilisée pour la reconnaissance d'objets sur des photographies et des vidéos (par exemple, la reconnaissance faciale et des silhouettes humaines, du texte, etc.), le suivi du mouvement des objets et de la caméra, la classification des actions sur vidéo, la transformation d'images, l'extraction de modèles 3D, la création d'espaces 3D à partir d'images de caméras stéréo, la construction d'images de haute qualité à partir d'images de plus basse qualité, la recherche d'objets sur une image similaires à un ensemble donné, l'application de méthodes d'apprentissage automatique, le placement de marqueurs, la détection d'éléments communs sur différentes images, et l'élimination automatique des défauts comme l'effet des yeux rouges.
Dans :
- Dans le module DNN (Réseau Neuronal Profond) avec une mise en œuvre d'algorithmes d'apprentissage automatique basés sur des réseaux neuronaux, un backend a été ajouté pour utiliser CUDA et un support expérimental pour l'API ;
- Avec l'utilisation des instructions SIMD, la performance du code a été optimisée pour le rendu stéréoscopique (StereoBM/StereoSGBM), le changement de taille, l'application de masques, la rotation, le calcul des composants de couleur manquants et de nombreuses autres opérations;
- Une mise en œuvre multithread de la fonction ;
- La possibilité d'extraire des flux vidéo à partir de conteneurs multimédia (démultiplexage) a été ajoutée à l'aide du backend videoio basé sur FFmpeg;
- Un algorithme pour la reconstruction rapide à sélection de fréquence d'images endommagées a été ajouté (Reconstruction Sélective en Fréquence);
- Méthode ajoutée pour l'interpolation des zones typiques non remplies;
- Une méthode de normalisation des écarts a été ajoutée ;
- Dans le module G-API (opencv_gapi), qui fonctionne comme un moteur pour un traitement d'images efficace utilisant des algorithmes basés sur des graphes, un support pour des algorithmes hybrides plus complexes de vision par ordinateur et d'apprentissage machine profond a été implémenté. Le support du backend Intel Inference Engine a été assuré. Le modèle d'exécution a été extensé pour traiter des flux vidéo;
- Résolus (, ), qui peuvent potentiellement conduire à l'exécution de code par un attaquant lors du traitement de données non vérifiées dans les formats XML, YAML et JSON. Lors de l'analyse de JSON, si un caractère avec un code nul est rencontré, la valeur est entièrement copiée dans le tampon, mais sans une vérification adéquate du dépassement de la mémoire allouée.
Source : opennet.ru
