release av det fria biblioteket (Open Source Computer Vision Library), som erbjuder verktyg för behandling och analys av bildinnehåll. OpenCV tillhandahåller mer än 2500 algoritmer, både klassiska och som återspeglar de senaste framstegen inom datorseende och maskininlärningssystem. Koden för biblioteket är skriven i C++ och under BSD-licensen. Bindningar har förberetts för olika programmeringsspråk, inklusive Python, MATLAB och Java.
Biblioteket kan användas för objektigenkänning på foton och videor (till exempel ansikts- och figurerigenkänning, text osv.), spårning av objekt och kameror, klassificering av handlingar i videor, bildtransformering, 3D-modellutvinning, skapande av 3D-utrymmen från bilder från stereokameror, skapande av högkvalitativa bilder genom sammanfogning av lägre kvalitetsbilder, sökning i bilder efter objekt som liknar en given uppsättning element, tillämpa metoder för maskininlärning, placering av markörer, identifiering av gemensamma element på olika bilder, automatisk eliminering av defekter, såsom röda ögon.
I :
- I modulen DNN (Deep Neural Network) med implementation av algoritmer för maskininlärning baserade på neurala nätverk har en backend lagts till för att använda CUDA och experimentellt stöds API ;
- Med användning av SIMD-instruktioner har prestandaoptimering av koden för stereovisning (StereoBM/StereoSGBM), ändring av storlek, maskoverlay, rotation, beräkning av saknade färgkomponenter och många andra operationer genomförts;
- En flertrådig implementation av funktionen ;
- Möjligheten att extrahera videoströmmar från mediekärl (demuxing) har lagts till genom backend videoio baserat på FFmpeg;
- En algoritm för snabb frekvensselektiv rekonstruktion av skadade bilder har lagts till (Frekvens Selektiv Rekonstruktion);
- Metod tillagd för interpolation av typiska ofyllda områden;
- En metod för normalisering av avvikelser har lagts till ;
- I modulen G-API (opencv_gapi), som fungerar som en motor för effektiv bildbehandling med algoritmer baserade på grafer, har stöd för mer komplexa hybridalgoritmer inom datorseende och djupmaskininlärning implementerats. Stöd för backend Intel Inference Engine har säkerställts. I exekveringsmodellen har stöd för bearbetning av videoströmmar lagts till;
- Uppdateringar genomförda (, ), som potentiellt kan leda till att angriparens kod körs vid behandling av icke verifierade data i formaten XML, YAML och JSON. Om en null-tecken stöter på under tolkningen av JSON, kopieras hela värdet till bufferten utan adekvat gränskontroll för det tilldelade minnesområdet.
Källa: opennet.ru
