月度归档： 2018 年 11 月

OpenCV是英特尔开源的跨平台计算机视觉库。也就是说，它是一套包含从图像预处理到预训练模型调用等大量视觉 API 的库，并可以处理图像识别、目标检测、图像分割和行人再识别等主流视觉任务。

OpenCV最显著的特点是它提供了整套流程的工具，因此我们根本不需要了解各个模型的原理就能一个个 API 构建视觉任务。

OpenCV使用 BSD 许可证，因此对研究和商业用途均免费。它具备 C++、Python 和 Java 接口，支持 Windows、Linux、Mac OS、iOS 和 Android 系统。OpenCV旨在提高计算效率，专注于实时应用。它使用优化的 C/C++写成，能够利用多核处理。

此外，在 OpenCL 的加持下，OpenCV可以利用底层异构计算平台的硬件加速。它的 GitHub 页面中有一个「open_model_zoo」资源库，包含了大量的计算机视觉预训练模型，并提供下载方法，有助于加速开发和产品部署过程。OpenCV应用广泛，目前在全世界约有 4.7 万用户，下载量约为 1400 万。

很多IoT和AI的玩家都会将其用于图像识别和处理。

可以说OpenCV是 CV 领域开发者与研究者的必备工具包，Mask-RCNN 等很多开源项目都依赖于这个工具包。现在距离 3.0 版本的发布已经过去三年多，近日OpenCV4.0 final 版发布，它进一步完善了核心接口，并添加了二维码检测器、ONNX 转换格式等新特点。

重要更新：

• OpenCV4.0 现在是一个 C++11 库，要求 C++11 兼容的编译器。所需的 CMake 至少是 3.5.1 版本。
• 移除OpenCV1.x 中的大量 C API。
• core 模块中的 Persistence（用于存储和加载XML、YAML 或 JSON 格式的结构化数据）可以完全使用 C++ 来重新实现，因此这里的 C API 也被移除。
• 添加了新模块 G-API，它可作为基于图的高效图像处理流程。
• dnn 模块包括实验用 Vulkan 后端，且支持 ONNX 格式的网络。
• 实现了流行的 Kinect Fusion 算法，且为 CPU 和 GPU (OpenCL) 进行优化。
• objdetect 模块中添加了二维码检测器和解码器。
• 将高效、高质量的 DIS dense optical flow 算法从 opencv_contrib 移到 video 模块。

此外，OpenCV4.0 支持 Mask-RCNN 模型，性能也有所提升，图像处理操作可实现 15%-30% 的速度提升。

OpenCV与深度学习

在OpenCV4.0 的更新中，它强化了 DNN 模块并添加支持 ONNX 交换格式的神经网络，这一切都表明OpenCV非常注重其与深度学习之间的关系。其实自从OpenCV3.1 以来，它就包含了能实现深度网络前向传播的 DNN 模块，这些深度网络一般都由 Caffe 等深度学习框架预训练而成。在OpenCV3.3 中，DNN 模块从 opencv_contrib 移到了核心代码库，并取得了显著的加速。

更重要的是除了 libprotobuf 以外，OpenCV中的 DNN 模块不包含额外的依赖项，而且现在 libprotobuf 已经包含到了OpenCV中。

以下是目前OpenCV支持的一些框架：

• Caffe
• TensorFlow
• Torch
• Darknet
• ONNX 交换格式的模型

目前OpenCV所支持的深度学习层级函数：

• AbsVal
• AveragePooling
• BatchNormalization
• Concatenation
• Convolution (including dilated convolution)
• Crop
• Deconvolution, a.k.a. transposed convolution or full convolution
• DetectionOutput (SSD-specific layer)
• Dropout
• Eltwise (+, *, max)
• Flatten
• FullyConnected
• LRN
• LSTM
• MaxPooling
• MaxUnpooling
• MVN
• NormalizeBBox (SSD-specific layer)
• Padding
• Permute
• Power
• PReLU (including ChannelPReLU with channel-specific slopes)
• PriorBox (SSD-specific layer)
• ReLU
• RNN
• Scale
• Shift
• Sigmoid
• Slice
• Softmax
• Split
• TanH

对于对性能要求很高的神经网络层，这个 DNN 模块包括 SSE、AVX、AVX2 和 NEON 等底层加速库，且还有持续优化中的 Halide 后端。

你可以在这里找到最新的基准结果：https://github.com/opencv/opencv/wiki/DNN-Efficiency

单张图像前向传播的中位最佳时间（以毫秒为单位，基于 CPU 在 float32 上计算）。

以下网络已经经过测试并证实可行：

• AlexNet
• GoogLeNetv1 (也称为 Inception-5h)
• ResNet-34/50/…
• SqueezeNet v1.1
• VGG-based FCN（语义分割网络）
• ENet（轻量级语义分割网络）
• VGG-basedSSD（目标检测网络）
• MobileNet-basedSSD（轻量级目标检测网络）

OpenCV4.0 发布地址：https://opencv.org/opencv-4-0-0.html