opencv快速入门（OpenCV3.0之后三年半OpenCV）

opencv快速入门（OpenCV3.0之后三年半OpenCV）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：在OpenCV 4.0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OpenCV 3.1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OpenCV 3.3中，DNN模块从opencv_contrib移到了核心代码库，并取得了显着的加速。重要更新：此外，OpenCV 4.0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

2015年6月，OpenCV 3.0发布。时隔三年半，OpenCV 4.0终于发布。至此，opencv已经走过了近18个年头。

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最显着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，目前在用户社区有4.7万用户，下载量约为1400万。

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OpenCV 4.0 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：

• OpenCV 4.0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OpenCV 1.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密集光流算法从opencv_contrib移到视频模块。

此外，OpenCV 4.0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OpenCV 4.0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OpenCV 3.1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OpenCV 3.3中，DNN模块从opencv_contrib移到了核心代码库，并取得了显着的加速。

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：

• 咖啡
• TensorFlow
• 火炬
• 暗网
• 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
• 级联
• 卷积（包括扩张卷积）
• 作物
• 反卷积，又称转置卷积或完全卷积
• DetectionOutput（SSD特定层）
• 退出
• Eltwise（ ，*，max）
• 弄平
• FullyConnected
• LRN
• LSTM
• MaxPooling
• MaxUnpooling
• MVN
• NormalizeBBox（特定于SSD的层）
• 填充
• 置换
• 功率
• PReLU（包括具有特定通道斜率的ChannelPReLU）
• PriorBox（SSD特定层）
• RELU
• RNN
• 规模
• 转移
• 乙状结肠
• 切片
• SOFTMAX
• 分裂
• 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
• GoogLeNet v1（也称为Inception-5h）
• RESNET-34/50 / ...
• SqueezeNet v1.1
• 基于VGG的FCN（语义分割网络）
• ENET（轻量级语义分割网络）
• 基于VGG的SSD（目标检测网络）
• 基于MobileNet的SSD（轻量级目标检测网络）

OpenCV 4.0发布地址：https：//opencv.org/opencv-4-0-0.html