OpenCV är ett open source-datorsynbibliotek tillgängligt under BSD-licensen. Så det är gratis för akademiskt och kommersiellt bruk. Biblioteket är skrivet i C och C++. Den körs på Linux, Windows, Mac OS, iOS och Android. Den har C-, C ++-, Java-, MATLAB- och Python-gränssnitt. OpenCV har mer än 2500 optimerade algoritmer för datorsyn i realtid.

Målet med OpenCV-communityn är att skapa en datorvisionsinfrastruktur som gör det möjligt för utvecklare att skapa komplexa applikationer relativt enkelt. Biblioteket är utformat för beräkningseffektivitet för realtidsapplikationer. Så det har ett brett utbud av användningar inom ansiktsigenkänning, gestigenkänning, medicinsk bildbehandling, människa-datorinteraktion, rörelsespårning, säkerhetsövervakning, robotik, kamerakontroller och mer.

Förutom datorsynskomponenterna har OpenCV också stöd för allmänt maskininlärning. Maskininlärning (ML) är en viktig teknik för datorsynproblem. Så ML-biblioteket gör OpenCV mer attraktivt för datorsynutvecklare.

Datorvision och OpenCV

Datorvision skapades med målet att replikera mänskliga visioner. Det använder algoritmer för att omvandla fångade bilder till data och gör det lättare att förstå synproblem i verkligheten.

När det gäller mänsklig syn fungerar våra ögon som inmatningsenheter. Sedan delar hjärnorna upp bildströmmarna i flera kanaler för bearbetning. Förutom visuell data tar den mänskliga hjärnan även hänsyn till andra sensoriska data och använder den för att förstå rymdjup. Det ger mänskliga hjärnor förmågan att förstå tredimensionellt utrymme.

När vi samlar in data via kameror får vi en tvådimensionell bild av världen. Datorvisionsalgoritmer tar de tvådimensionella bilderna och använder matematiska egenskaper för att räkna ut de tredimensionella representationerna. Det är ett extremt svårt problem att lösa.

Datorsyn använder också ofta annan kontextuell information för att övervinna begränsningarna i tvådimensionella bilder. Den tar hänsyn till information som färg, ljusstyrka eller kontrast. Till exempel, om en objektigenkänningsalgoritm letar efter ett träbord, kan det säkert eliminera alla icke-trärelaterade färger från inmatningsbilderna. Datorvisionsalgoritmer eliminerar också brus i indata.

OpenCV-biblioteket är utformat för att underlätta implementeringen av datorvisionsalgoritmer. Den hanterar beräkningskomplexitet så att utvecklare kan koncentrera sig på högnivåuppgifter.

Historik om OpenCV

1999 startade OpenCV på Intel som ett initiativ för att avancera CPU-intensiva applikationer. Gary Bradski som arbetade på Intel vid den tiden märkte att studenter vid MIT Media Lab delade bibliotek för att få ett försprång i datorsynstillämpningar. Detta inspirerade idén att bygga en datorvisionsinfrastruktur som lätt kan användas.

Från Intel flyttade OpenCV-projektet till Willow Garage, ett forskningslaboratorium för teknik och teknikinkubator baserad i Menlo Park, Kalifornien. För närvarande underhålls OpenCV-projektet med öppen källkod av Itseez, ett skräddarsytt programvaruutvecklings- och konsultföretag för datorsyn.

OpenCV version 1.0 släpptes 2006. Nästa större version 2.0.0 kom 2009. Den nuvarande större version 3.0.0 släpptes 2015. Den senaste versionen hittills är OpenCV 3.3.0.

Använda OpenCV

Biblioteket har vunnit popularitet bland forskare och akademiker. Det används ofta som ett undervisningsverktyg för datasyn. Men OpenCV är tillräckligt robust för att stödja verkliga problem.

Du kan använda OpenCV för icke-kommersiella och kommersiella produkter. Den används av branschjättar som Google, Yahoo, Microsoft, Intel, IBM, Sony, Honda och Toyota. Forskningsinstitut vid ledande universitet som MIT, CMU, Stanford och Cambridge ger stöd till biblioteket. OpenCV Yahoo Group har 50 000 medlemmar över hela världen.

Installerar OpenCV

För att demonstrera installationen av OpenCV kommer jag att använda Ubuntu 17.10 och kommer att utföra installationen i en ny docker-bild för att säkerställa att det inte finns några motstridiga paket för OpenCV dev-miljön. Här är min kommandorad för dockerinstallation:

docker pull ubuntu
docker run -it 00fd29ccc6f1 bash
apt-get-uppdatering

Okej bra, nu har du en ny miljö, låt oss installera några beroenden som krävs för att göra miljön användbar.

apt-get install wget cmake g ++ unzip vim

Därefter behöver vi källkoden för OpenCV. Du kan hämta källkoden från webbplatsen här och se till att du laddar ner den senaste versionen. Packa upp den och skapa sedan en byggkatalog för CMake-systemet och ange katalogen:

wget https: // github.com / opencv / opencv / archive / 3.3.1.blixtlås
cd opencv-3.3.1
mkdir bygga
cd-byggnad

Därefter kan vi bygga biblioteket och installera det i systemvägen i dockeravbildningen. Om du inte använder docker, kommer du att bestämma ditt byggprefix, men att använda en dedikerad dockerbild gör allt detta väldigt enkelt som visas nedan:

cmake ..
göra
gör installationen

För att verifiera att installationen och installationen lyckades kan vi skriva ett trivialt C ++ - testprogram som innehåller ett OpenCV-bibliotek och sedan köra det. Här är en exempelkod som du kan använda för att testa din installation:

#include "opencv2 / core / core.hpp "
#omfatta
int main ()

cv :: Point2f p (4, 5);
std :: cout << "Point output: " << p << std::endl;
returnera 0;

Du kan bygga och köra det så:

root @ 6d6b443afced: ~ / src # g ++ test.cpp-o-test
root @ 6d6b443afced: ~ / src # ./testa
Punktutgång: [4, 5]

Grattis till sitt arbete, jobbet är klart.

Nästa steg

OpenCV ansiktsigenkänning

Referenser:

https: // opencv.org /
https: // opencv.org / om.html
https: // docs.opencv.org / 3.3.1 / d1 / dfb / intro.html
https: // sv.wikipedia.org / wiki / OpenCV