Wydanie biblioteki komputerowego widzenia OpenCV 4.2

Zdarzyło się wydanie otwartej biblioteki OpenCV 4.2 (Open Source Computer Vision Library), która oferuje narzędzia do przetwarzania i analizy treści obrazów. OpenCV zapewnia ponad 2500 algorytmów, zarówno klasycznych, jak i odzwierciedlających najnowsze osiągnięcia w dziedzinie wizji komputerowej i systemów uczenia maszynowego. Kod biblioteki jest napisany w C++ i rozpowszechniany na licencji BSD. Przygotowano powiązania dla różnych języków programowania, w tym Python, MATLAB i Java.

Biblioteka może być stosowana do rozpoznawania obiektów na zdjęciach i filmach (na przykład rozpoznawanie twarzy i sylwetek ludzi, tekstu itp.), śledzenia ruchu obiektów i kamery, klasyfikacji działań na filmach, przekształcania obrazów, ekstrakcji modeli 3D, tworzenia przestrzeni 3D z obrazów z kamer stereoskopowych, tworzenia wysokiej jakości obrazów poprzez łączenie obrazów o niższej jakości, wyszukiwania na obrazach obiektów podobnych do przedstawionego zestawu elementów, stosowania metod uczenia maszynowego, umieszczania znaczników, wykrywania wspólnych elementów na różnych obrazach, automatycznego usuwania defektów, takich jak efekt czerwonych oczu.

W nowej wersji:

• Do modułu DNN (Deep Neural Network) z wdrożeniem algorytmów uczenia maszynowego opartych na sieciach neuronowych dodano backend do wykorzystania CUDA oraz wprowadzono eksperymentalne wsparcie API nGraph OpenVINO;
• Z użyciem instrukcji SIMD przeprowadzono optymalizację wydajności kodu dla wyjścia stereoskopowego (StereoBM/StereoSGBM), zmiany rozmiaru, nakładania maski, rotacji, obliczania brakujących składników koloru i wielu innych operacji;
• Dodano wielowątkową realizację funkcji pyrDown;
• Dodano możliwość wyodrębniania strumieni wideo z kontenerów multimedialnych (demuxing) przy użyciu backendu videoio opartego na FFmpeg;
• Dodano algorytm do szybkiej rekonstrukcji uszkodzonych obrazów FSR (Frequency Selective Reconstruction);
• Dodano metodę RIC do interpolacji typowych niezapełnionych obszarów;
• Dodano metodę normalizacji odchyleń LOGOS;
• W module G-API (opencv_gapi), pełniącym funkcję silnika do efektywnego przetwarzania obrazów przy użyciu algorytmów opartych na grafach, zrealizowano wsparcie dla bardziej złożonych hybrydowych algorytmów wizji komputerowej i głębokiego uczenia maszynowego. Zapewniono wsparcie dla backendu Intel Inference Engine. Do modelu wykonania dodano wsparcie dla przetwarzania strumieni wideo;
• Usunięto vulnerablista (CVE-2019-5063, CVE-2019-5064), które potencjalnie mogą prowadzić do wykonania kodu atakującego podczas przetwarzania niezaufanych danych w formatach XML, YAML i JSON. Jeśli w czasie analizy JSON napotkano symbol o zerowym kodzie, wartość jest całkowicie kopiowana do bufora, ale bez odpowiedniej kontroli wyjścia poza przypisaną pamięć.

Źródło: opennet.ru