机器之心编辑，参与：机器之心编辑部。
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 最显著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 dense optical flow 算法从 opencv_contrib 移到 video 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，并取得了显著的加速。
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：
Caffe
TensorFlow
Torch
Darknet
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
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
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：
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
VGG-based FCN（语义分割网络）
ENet（轻量级语义分割网络）
VGG-based SSD（目标检测网络）
MobileNet-based SSD（轻量级目标检测网络）