一、介绍
OpenCV（开源计算机视觉库：http://opencv.org） 是英特尔开源的一个跨平台计算机视觉的BSD许可库，包含数百种计算机视觉算法。OpenCV由Gary Bradsky于1999年在英特尔创立，第一版于2000年问世。Vadim Pisarevsky加入Gary Bradsky，一起管理英特尔的俄罗斯软件OpenCV团队。2005年，OpenCV用于Stanley，该车赢得了2005年DARPA挑战赛的冠军。后来，在Willow Garage的支持下，由Gary Bradsky和Vadim Pisarevsky领导了该项目，它得以继续积极的发展。OpenCV现在支持与计算机视觉和机器学习有关的多种算法，并且正在日益扩展。
OpenCV具备 C++、Python 和 Java 接口，支持 Windows、Linux、Mac OS、iOS 和 Android 系统，可以说 OpenCV 是 CV 领域开发者与研究者的必备工具包。继2015 年 6 月，OpenCV 3.0 发布以来，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。相比于之前的版本，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。
1. 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 版本至少为 3.5.1 。
● 移除 了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）已经完全用 C++ 来重新实现，因此对应的 C API 也被移除。
● 添加了新模块 G-API，一种基于图的高效图像处理流程。
● 更新dnn模块，包含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。
2. opencv与DL
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，通过该模块可以加载由 Caffe 等深度学习框架训练的模型数据，并执行前向推理运算，输出预测结果。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。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。
除了libprotobuf，dnn模块不依赖任何额外的外部库，而且现在 libprotobuf 已经包含到了 OpenCV 中。
opencv支持的框架：
● Caffe
● TensorFlow
● Torch
● Darknet
● Models in ONNX format
支持的层：
● 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，DNN 模块还包括 SSE、AVX、AVX2 和 NEON 等底层加速库，且还有持续优化中的 Halide 后端。还有OpenCL 也已经整合到OpenCV 3.3以后发布的版本中。
各模型在dnn模块下的性能：
CPU下单张图片最佳计算时间（单位：毫秒，基于float32运算）
GPU(OpenCL 2.0)下单张图片最佳计算时间（单位：毫秒，基于float32运算）
具体参考：
https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV
二、安装
本系列教程基于windows python3环境进行实验，因此，本教程介绍如何在windows环境下安装和使用python的opencv接口。
1. 安装Annaconda
下载地址：
根据电脑配置选择相应版本，在这，我选择64位版本进行安装，默认安装python3.7。
双击安装文件进行安装 ->”Next”->”I Agree”->选择”Just Me”->”Next”->选择安装路径->”Next”，
□ 勾选添加环境变量
□ 勾选设为默认python环境
点击”Install”安装
点击”Finish”完成安装
2. 安装opencv-python
采用最简单的安装方法：pip命令安装，打开命令行终端CMD，输入python，查看是否安装python环境。
exit() 退出后，输入以下命令：
pip install opencv-python
默认安装最新的发布版本，本安装版本：opencv-python 4.2.0
提示安装成功后，测试opencv版本：
# 查看opencv版本
import cv2
print(cv2.__version__)
到此，大功告成，开启opencv之旅吧！！！
附录
后续可能会用到的python包：numpy、matplotlib、pillow
pip install numpy
pip install matplotlib
pip install Pillow