{"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\/nl\/blog\/news\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Uitgifte van de computer vision-bibliotheek OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
De vrije bibliotheek OpenCV 4.7 (Open Source Computer Vision Library) is uitgebracht, die middelen biedt voor de verwerking en analyse van afbeeldingsinhoud. OpenCV bevat meer dan 2500 algoritmen, zowel klassieke als die de laatste ontwikkelingen op het gebied van computer vision en machine learning weerspiegelen. De bibliotheekcode is geschreven in C++ en wordt verspreid onder de BSD-licentie. Bindingen zijn voorbereid voor verschillende programmeertalen, waaronder Python, MATLAB en Java. <\/p>\n
De bibliotheek kan worden gebruikt voor het herkennen van objecten op foto's en video's (bijvoorbeeld gezichts- en figuurherkenning, tekst, enz.), het volgen van object- en camerabeweging, het classificeren van acties in video's, het transformeren van afbeeldingen, het extraheren van 3D-modellen, het cre\u00ebren van 3D-ruimte uit beelden van stereocamera's, het genereren van hoogwaardige beelden door het samenvoegen van lagere kwaliteit beelden, het zoeken naar objecten op een afbeelding die lijken op een gegeven set elementen, het toepassen van machine learning-methoden, het plaatsen van markers, het identificeren van gemeenschappelijke elementen in verschillende beelden, en het automatisch corrigeren van defecten, zoals het rode-oog effect. <\/p>\n
Onder de veranderingen in de nieuwe release: <\/p>\n
\n
Er is aanzienlijke prestatie-optimalisatie uitgevoerd voor convoluties in de DNN-module (Deep Neural Network) met implementatie van machine learning-algoritmen gebaseerd op neurale netwerken. Het algoritme voor snelle Vinograd-convoluties is ge\u00efmplementeerd. Nieuwe ONNX-laagondersteuning (Open Neural Network Exchange) is toegevoegd: Scatter, ScatterND, Tile, ReduceL1 en ReduceMin. Ondersteuning voor het OpenVino 2022.1 framework en de CANN-backend is toegevoegd.\n
De kwaliteit van het herkennen en decoderen van QR-codes is verbeterd.\n
Ondersteuning voor visuele markers zoals ArUco en AprilTag is toegevoegd.\n
Een Nanotrack v2-tracker gebaseerd op neurale netwerken is toegevoegd.\n
Het Stackblur-verwazingsalgoritme is ge\u00efmplementeerd.\n
Ondersteuning voor FFmpeg 5.x en CUDA 12.0 is toegevoegd.\n
Een nieuwe API voor het manipuleren van meerpaginaafbeeldingsformaten is voorgesteld.\n
Ondersteuning voor de libSPNG-bibliotheek voor het PNG-formaat is toegevoegd.\n
In libJPEG-Turbo is versnelling met behulp van SIMD-instructies toegepast.\n
Ondersteuning voor H264\/H265 is ge\u00efmplementeerd voor het Android-platform.\n
Alle basis-API's voor de programmeertaal Python zijn beschikbaar gesteld.\n
Een nieuwe universele backend voor vector-instructies is toegevoegd. <\/ul>\n