Lanzouse a biblioteca gratuíta OpenCV 4.7 (Open Source Computer Vision Library), que ofrece ferramentas para procesar e analizar o contido das imaxes. OpenCV ofrece máis de 2500 algoritmos, tanto clásicos como que reflicten os últimos avances en visión por ordenador e sistemas de aprendizaxe automática. O código da biblioteca está escrito en C++ e distribúese baixo a licenza BSD. As ligazóns están preparadas para varias linguaxes de programación, incluíndo Python, MATLAB e Java.
A biblioteca pode utilizarse para recoñecer obxectos en fotografías e vídeos (por exemplo, recoñecemento de rostros e figuras de persoas, texto, etc.), rastrexar o movemento de obxectos e cámaras, clasificar accións en vídeo, converter imaxes, extraer modelos 3D, etc. xerar espazo 3D a partir de imaxes de cámaras estéreo, crear imaxes de alta calidade combinando imaxes de menor calidade, procurando na imaxe obxectos similares ao conxunto de elementos presentado, aplicando métodos de aprendizaxe automática, colocando marcadores, identificando elementos comúns en diferentes imaxes, eliminando automaticamente defectos como ollos vermellos.
Entre os cambios na nova versión:
- Realizouse unha optimización significativa do rendemento da convolución no módulo DNN (Deep Neural Network) coa implementación de algoritmos de aprendizaxe automática baseados en redes neuronais. Implementouse o algoritmo de convolución rápida Winograd. Engadíronse novas capas ONNX (Open Neural Network Exchange): Scatter, ScatterND, Tile, ReduceL1 e ReduceMin. Engadido soporte para OpenVino 2022.1 framework e backend CANN.
- Mellora a calidade da detección e descodificación do código QR.
- Engadido soporte para marcadores visuais ArUco e AprilTag.
- Engadiuse o rastreador Nanotrack v2 baseado en redes neuronais.
- Implementouse o algoritmo de desenfoque Stackblur.
- Engadido soporte para FFmpeg 5.x e CUDA 12.0.
- Propúxose unha nova API para manipular formatos de imaxe de varias páxinas.
- Engadido soporte para a biblioteca libSPNG para o formato PNG.
- libJPEG-Turbo permite a aceleración usando instrucións SIMD.
- Para a plataforma Android, implementouse o soporte para H264/H265.
- Ofrécense todas as API básicas de Python.
- Engadiuse un novo backend universal para instrucións vectoriais.
Fonte: opennet.ru