Utgivelse av datasynsbiblioteket OpenCV 4.2

fant sted gratis utgivelse av bibliotek OpenCV 4.2 (Open Source Computer Vision Library), som gir verktøy for å behandle og analysere bildeinnhold. OpenCV tilbyr mer enn 2500 algoritmer, både klassiske og gjenspeiler de siste fremskrittene innen datasyn og maskinlæringssystemer. Bibliotekkoden er skrevet i C++ og distribuert av under BSD-lisens. Bindinger er utarbeidet for ulike programmeringsspråk, inkludert Python, MATLAB og Java.

Biblioteket kan brukes til å gjenkjenne objekter i fotografier og videoer (for eksempel gjenkjennelse av ansikter og figurer av mennesker, tekst osv.), spore bevegelsen til objekter og kameraer, klassifisere handlinger i video, konvertere bilder, trekke ut 3D-modeller, generere 3D-rom fra bilder fra stereokameraer, lage bilder av høy kvalitet ved å kombinere bilder av lavere kvalitet, søke etter objekter i bildet som ligner det presenterte settet med elementer, bruke maskinlæringsmetoder, plassere markører, identifisere vanlige elementer i forskjellige bilder, automatisk eliminerer defekter som røde øyne.

В ny utgivelse:

• En backend for bruk av CUDA er lagt til DNN (Deep Neural Network)-modulen med implementering av maskinlæringsalgoritmer basert på nevrale nettverk og eksperimentell API-støtte er implementert nGraph OpenVINO;
• Ved å bruke SIMD-instruksjoner ble kodeytelsen optimalisert for stereoutgang (StereoBM/StereoSGBM), endring av størrelse, maskering, rotasjon, beregning av manglende fargekomponenter og mange andre operasjoner;
• Lagt til flertrådsimplementering av funksjonen pyrDown;
• Lagt til muligheten til å trekke ut videostrømmer fra mediebeholdere (demuxing) ved å bruke videoio-backend basert på FFmpeg;
• Lagt til algoritme for rask frekvensselektiv rekonstruksjon av skadede bilder FSR (Frekvensselektiv rekonstruksjon);
• Lagt til metode RIC for interpolering av typiske ufylte områder;
• Lagt til avviksnormaliseringsmetode LOGOS;
• G-API-modulen (opencv_gapi), som fungerer som en motor for effektiv bildebehandling ved bruk av grafbaserte algoritmer, støtter mer kompleks hybrid datasyn og dype maskinlæringsalgoritmer. Støtte for Intel Inference Engine-backend er gitt. Lagt til støtte for behandling av videostrømmer til utførelsesmodellen;
• Eliminert sårbarheter (CVE-2019-5063, CVE-2019-5064), som potensielt kan føre til kjøring av angriperkode ved behandling av ubekreftede data i XML-, YAML- og JSON-formater. Hvis et tegn med en nullkode påtreffes under JSON-parsing, kopieres hele verdien til bufferen, men uten å kontrollere om den overskrider grensene for det tildelte minneområdet.

Kilde: opennet.ru