OpenCV
OpenCV (englische Abk. für Open Computer Vision) ist eine freie Programmbibliothek mit Algorithmen für die Bildverarbeitung und Computer Vision. Sie ist für die Programmiersprachen C, C++, Python und Java geschrieben und steht als freie Software unter den Bedingungen der Apache 2 License. Die Entwicklung der Bibliothek wurde von Intel initiiert und wurde bis 2013 von Willow Garage gepflegt. Nach deren Auflösung wurde sie von Itseez fortgeführt, welches mittlerweile von Intel übernommen wurde.[4]
| OpenCV | |
|---|---|
 | |
| Basisdaten | |
| Entwickler | Intel, Willow Garage |
| Erscheinungsjahr | Juni 2000 |
| Aktuelle Version | 4.5.5[1] (25. Dezember 2021) |
| Betriebssystem | plattformunabhängig |
| Programmiersprache | C++ |
| Kategorie | Programmbibliothek für: Bildverarbeitung Computer-Vision Kamerakalibrierung |
| Lizenz | Apache-Lizenz, Version 2.0[2], 3-Klausel-BSD-Lizenz[3] |
| deutschsprachig | nein |
| opencv.org | |
Im September 2006 wurde die Version 1.0 herausgegeben. Ende September 2009 folgte nach längerer Pause die Version 2.0.0, welche die Bezeichnung „Gold“ trägt. Anfang Juni 2015 erschien Version 3.0, die erstmals OpenCL unterstützte.[5]
Die Stärke von OpenCV liegt in ihrer Geschwindigkeit und in der großen Menge der Algorithmen aus neuesten Forschungsergebnissen.
Anwendungsbereiche
Die Bibliothek umfasst unter anderem Algorithmen für Gesichtserkennung, 3D-Funktionalität, Haar-Klassifikatoren, verschiedene sehr schnelle Filter (z. B. Sobel, Canny, Gauß) und Funktionen für die Kamerakalibrierung.
OpenCV besteht aus Modulen für verschiedene Anwendungsfelder:
- 2D- und 3D-Merkmale (z. B. Interest-Operator oder Deskriptoren)
- Eigenbewegungsschätzung, siehe Photogrammetrie: Rückwärtsschnitt
- Gesichtserkennung
Automatische Gesichtserkennung mit OpenCV - Gestenerkennung
- Mensch-Computer-Interaktion (HCI)
- mobile Roboter
- Klassifizierung mit Hilfe der Viola-Jones-Methode
- Segmentierung und Erkennung
- Stereoskopisches Sehen (Stereopsis), ergibt Tiefenbilder
- Structure from Motion (SfM), siehe Computer Vision
- optisches Tracking, Motion Compensation und Optischer Fluss
- Kalman-Filter zum Tracking
Ferner beinhaltet OpenCV eine Bibliothek für Maschinelles Lernen mit folgendem Funktionsumfang:
- Boosting (automatische Klassifizierung)
- Lernen eines Entscheidungsbaumes
- EM-Algorithmus (Expectation-Maximization)
- Nächste-Nachbarn-Klassifikation
- Bayes-Klassifikator
- Künstliche neuronale Netze, inkl. DNN
- Random Forest
- Support Vector Machine (SVM)
Deep Learning
Das DNN-Modul von OpenCV kann die von gängigen Deep Learning Frameworks vortrainierten Netze einlesen und auf ihnen einen Forward Pass ausführen. D. h., es werden Werte in der sichtbaren Eingangsschicht (englisch input layer) des künstlichen neuronalen Netzwerks eingelesen und beim Durchlaufen aller Schichten des Netzwerks verarbeitet, bis sie dann an der sichtbaren letzten Schicht (output layer) ausgegeben werden.[6] Objekterkennung mit z. B. YOLO wurde auf diese Weise realisiert. Das seit OpenCV 3.1 existierende DNN-Modul wurde mit Release 3.3 in das Haupt-Repository verschoben und ist somit leichter, also ohne Kompilierung des Quellcodes, benutzbar.
Unterstützt werden folgende Bibliotheken:
- Caffe
- TensorFlow
- Torch
- Darknet
- Modelle im ONNX Format
Einzelnachweise
- github.com. 25. Dezember 2021 (abgerufen am 27. Dezember 2021).
- License. (englisch, abgerufen am 4. Dezember 2021).
- License. (englisch, abgerufen am 27. März 2017).
- Intel acquires Itseez - OpenCV library. Abgerufen am 27. April 2018 (englisch).
- OpenCV 3.0 – The Transparent API and OpenCL™ Acceleration, Harris Gasparakis, 15. Oktober 2014
- Deep-Learning-in-OpenCV. In: GitHub. OpenCV, 17. Januar 2019, abgerufen am 17. Januar 2019 (englisch).
Literatur
- Gary Bradski, Adrian Kaehler: Learning OpenCV Computer Vision with the OpenCV Library. O'Reilly, 2008, ISBN 978-0-596-51613-0.