OpenCV各版本差異與演化，從1.x到4.0
部落格： ofollow,noindex" target="_blank">blog.shinelee.me |部落格園 | CSDN
寫在前面
最近因專案需要，得把OpenCV撿起來，登入 OpenCV官網 ，竟然發現release了 4.0.0-beata版本 ，所以藉此機會，查閱資料，瞭解下OpenCV各版本的差異及其演化過程，形成了以下幾點認識：
- 新版本的產生是為了順應當下的需要 ，通過版本更新，接納新技術和新方法，支援新興程式語言介面，使用新的指令集，優化效能，解決固有問題等
- 新技術新方法會優先加入到新的大版本中 ，即使新的技術方法可以在舊版本中實現，但為了推動使用者向新版本遷移，仍會優先加入到新版本中（這條看著與第1條差不多，實際意義是不同的）
- 新版本不可避免地會帶有舊版本的痕跡 ，畢竟新版本是從舊版本基礎上“生長”出來的，新老版本間能看到比較明顯的過渡痕跡，同時出於降低遷移成本的考慮，需要（部分）向前相容
因此，如果新版本已經穩定，且需要從頭開始新專案，先考慮擁抱新版本。若碰到問題，可到舊版本的資料中找找答案。但這並不絕對，具體情況還得具體分析。
下面分析下各版本的差異以及演化路徑。
OpenCV版本差異與演化，1.x To 4.0
OpenCV 1.x
OpenCV 最初基於 C語言 開發，API也都是基於C的，面臨記憶體管理、指標等C語言固有的麻煩。
2006年10月1.0釋出時，部分使用了C++，同時支援Python，其中已經有了random trees、boosted trees、neural nets等機器學習方法，完善對圖形介面的支援。
2008年10月1.1pre1釋出，使用 VS2005構建，Python bindings支援 Python 2.6 ，Linux下支援 Octave bindings ，在這一版本中加入了SURF、RANSAC、Fast approximate nearest neighbor search等，Face Detection (cvHaarDetectObjects)也變得更快。
OpenCV 2.x
當C++流行起來，OpenCV 2.x釋出，其儘量使用C++而不是C，但是為了向前相容，仍保留了對C API的支援。從2010年開始，2.x決定不再頻繁支援和更新C API，而是focus在 C++ API ，C API僅作備份。
2009年9月2.0 beta釋出，主要使用 CMake構建 ，加入了很多新特徵、描述子等，如FAST、LBP等。
2010年4月2.1版本，加入了Grabcut等，可以使用 SSE/SSE2… 指令集。
2010年10月2.2版本釋出，OpenCV的模組變成了大家熟悉的模樣，像 opencv_imgproc 、 opencv_features2d 等，同時有了 opencv_contrib 用於放置尚未成熟的程式碼， opencv_gpu 放置使用CUDA加速的OpenCV函式。
2011年6月起的2.3.x版本、 2012年4月起的2.4.x 版本，一面增加新方法，一面修復bug，同時加強對GPU、Java for Android、 OpenCL、並行化的支援等等，OpenCV愈加穩定完善，值得注意的是 SIFT和SURF從2.4開始被放到了 nonfree 模組（因為專利）。
考慮到過渡，OpenCV 2.4.x仍在維護，不過以後可能僅做bug修復和效率提升，不再增加新功能——鼓勵向3.x遷移。
OpenCV 3.x
隨著3.x的釋出，1.x的C API將被淘汰不再被支援，以後C API可能通過C++原始碼自動生成。3.x與2.x不完全相容，與2.x相比，主要的不同之處在於OpenCV 3.x 的大部分方法都使用了 OpenCL加速 。
2014年8月3.0 alpha釋出，除大部分方法都使用OpenCL加速外，3.x預設包含以及使用 IPP ，同時，matlab bindings、Face Recognition、SIFT、SURF、 text detector、motion templates & simple flow 等都移到了 opencv_contrib 下（opencv_contrib不僅存放了尚未穩定的程式碼，同時也存放了涉及專利保護的技術實現），大量湧現的新方法也包含在其中。
2017年8月3.3版本， 2017年12月開始的3.4.x 版本，opencv_dnn從opencv_contrib移至opencv，同時OpenCV開始支援C++ 11構建，之後明顯感到對 神經網路 的支援在加強，opencv_dnn被持續改進和擴充。
OpenCV 4.0
2018年10月4.0.0釋出，OpenCV開始需要支援 C++11 的編譯器才能編譯，同時對幾百個基礎函式使用 "wide universal intrinsics" 重寫，這些行內函數可以根據目標平臺和編譯選項對映為SSE2、 SSE4、 AVX2、NEON 或者 VSX 行內函數，獲得性能提升。此外，還加入了QR code的檢測和識別，以及Kinect Fusion algorithm，DNN也在持續改善和擴充。
總結
這些年來，計算機視覺領域的新技術新方法不斷湧現，指令集、程式語言和並行化技術越發先進，OpenCV也在緊跟時代的腳步，不斷吸收完善自身。本文僅對OpenCV的演化過程僅總結了部分要點，詳細可參見 OpenCV 在 github上的ChangeLog。