OpenCV 3.0之後三年半，OpenCV 4.0出爐
機器之心編輯，參與：機器之心編輯部。
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，它是一套包含從影象預處理到預訓練模型呼叫等大量視覺 API 的庫，並可以處理影象識別、目標檢測、影象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 萬用戶，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，並添加了二維碼檢測器、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。
添加了新模組 G-API，它可作為基於圖的高效影象處理流程。
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 模組中添加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，影象處理操作可實現 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）