OpenCV 3.0之後三年半，OpenCV 4.0出爐

2015 年 6 月，OpenCV 3.0 釋出。時隔三年半，OpenCV 4.0 終於釋出。至此，OpenCV 已經走過了近 18 個年頭。

OpenCV 是英特爾開源的跨平臺計算機視覺庫。也就是說，它是一套包含從影像預處理到預訓練模型呼叫等大量視覺 API 的庫，並可以處理影像識別、目標檢測、影像分割和行人再識別等主流視覺任務。OpenCV 最顯著的特點是它提供了整套流程的工具，因此我們根本不需要了解各個模型的原理就能一個個 API 構建視覺任務。

OpenCV 使用 BSD 許可證，因此對研究和商業用途均免費。它具備 C++、Python 和 Java 介面，支援 Windows、Linux、Mac OS、iOS 和 Android 系統。OpenCV 旨在提高計算效率，專注於實時應用。它使用優化的 C/C++寫成，能夠利用多核處理。

此外，在 OpenCL 的加持下，OpenCV 可以利用底層異構計算平臺的硬體加速。它的 GitHub 頁面中有一個「open_model_zoo」資源庫，包含了大量的計算機視覺預訓練模型，並提供下載方法，有助於加速開發和產品部署過程。OpenCV 應用廣泛，目前在使用者社群有 4.7 萬使用者，下載量約為 1400 萬。

可以說 OpenCV 是 CV 領域開發者與研究者的必備工具包，Mask-RCNN 等很多開源專案都依賴於這個工具包。現在距離 3.0 版本的釋出已經過去三年多，近日 OpenCV 4.0 final 版釋出，它進一步完善了核心介面，並新增了二維碼檢測器、ONNX 轉換格式等新特點。

重要更新：

• OpenCV 4.0 現在是一個 C++11 庫，要求 C++11 相容的編譯器。所需的 CMake 至少是 3.5.1 版本。

• 移除 OpenCV 1.x 中的大量 C API。

• core 模組中的 Persistence（用於儲存和載入 XML、YAML 或 JSON 格式的結構化資料）可以完全使用 C++ 來重新實現，因此這裡的 C API 也被移除。

• 新增了新模組 G-API，它可作為基於圖的高效影像處理流程。

• dnn 模組包括實驗用 Vulkan 後端，且支援 ONNX 格式的網路。

• 實現了流行的 Kinect Fusion 演算法，且為 CPU 和 GPU (OpenCL) 進行優化。

• objdetect 模組中新增了二維碼檢測器和解碼器。

• 將高效、高質量的 DIS dense optical flow 演算法從 opencv_contrib 移到 video 模組。

此外，OpenCV 4.0 支援 Mask-RCNN 模型，效能也有所提升，影像處理操作可實現 15%-30% 的速度提升。

OpenCV 與深度學習

在 OpenCV 4.0 的更新中，它強化了 DNN 模組並新增支援 ONNX 交換格式的神經網路，這一切都表明 OpenCV 非常注重其與深度學習之間的關係。其實自從 OpenCV 3.1 以來，它就包含了能實現深度網路前向傳播的 DNN 模組，這些深度網路一般都由 Caffe 等深度學習框架預訓練而成。在 OpenCV 3.3 中，DNN 模組從 opencv_contrib 移到了核心程式碼庫，並取得了顯著的加速。

更重要的是除了 libprotobuf 以外，OpenCV 中的 DNN 模組不包含額外的依賴項，而且現在 libprotobuf 已經包含到了 OpenCV 中。以下是目前 OpenCV 支援的一些框架：

• Caffe

• TensorFlow

• Torch

• Darknet

• ONNX 交換格式的模型

目前 OpenCV 所支援的深度學習層級函式：

• 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

對於對效能要求很高的神經網路層，這個 DNN 模組包括 SSE、AVX、AVX2 和 NEON 等底層加速庫，且還有持續優化中的 Halide 後端。

你可以在這裡找到最新的基準結果：github.com/opencv/open…

以下網路已經經過測試並證實可行：

• AlexNet

• GoogLeNet v1 (也稱為 Inception-5h)

• ResNet-34/50/...

• SqueezeNet v1.1

• VGG-based FCN（語義分割網路）

• ENet（輕量級語義分割網路）

• VGG-based SSD（目標檢測網路）

• MobileNet-based SSD（輕量級目標檢測網路）