行业跟踪

OpenCV各版本差异与演化，从1.x到4.0

写在前面

最近因项目需要，得把OpenCV捡起来，登录OpenCV官网，竟然发现release了4.0.0-beata版本，所以借此机会，查阅资料，了解下OpenCV各版本的差异及其演化过程，形成了以下几点认识：

新版本的产生是为了顺应当下的需要，通过版本更新，接纳新技术和新方法，支持新兴编程语言接口，使用新的指令集，优化性能，解决固有问题等
新技术新方法会优先加入到新的大版本中，即使新的技术方法可以在旧版本中实现，但为了推动用户向新版本迁移，仍会优先加入到新版本中（这条看着与第1条差不多，实际意义是不同的）
新版本不可避免地会带有旧版本的痕迹，毕竟新版本是从旧版本基础上“生长”出来的，新老版本间能看到比较明显的过渡痕迹，同时出于降低迁移成本的考虑，需要（部分）向前兼容

因此，如果新版本已经稳定，且需要从头开始新项目，先考虑拥抱新版本。若碰到问题，可到旧版本的资料中找找答案。但这并不绝对，具体情况还得具体分析。

下面分析下各版本的差异以及演化路径。

OpenCV版本差异与演化，1.x To 4.0

OpenCV

OpenCV 1.x

OpenCV 最初基于C语言开发，API也都是基于C的，面临内存管理、指针等C语言固有的麻烦。

2006年10月1.0发布时，部分使用了C++，同时支持Python，其中已经有了random trees、boosted trees、neural nets等机器学习方法，完善对图形界面的支持。

2008年10月1.1pre1发布，使用 VS2005构建，Python bindings支持Python 2.6，Linux下支持Octave bindings，在这一版本中加入了SURF、RANSAC、Fast approximate nearest neighbor search等，Face Detection (cvHaarDetectObjects)也变得更快。

OpenCV 2.x

当C++流行起来，OpenCV 2.x发布，其尽量使用C++而不是C，但是为了向前兼容，仍保留了对C API的支持。从2010年开始，2.x决定不再频繁支持和更新C API，而是focus在C++ API，C API仅作备份。

2009年9月2.0 beta发布，主要使用CMake构建，加入了很多新特征、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版本发布，OpenCV的模块变成了大家熟悉的模样，像opencv_imgproc、opencv_features2d等，同时有了opencv_contrib用于放置尚未成熟的代码，opencv_gpu放置使用CUDA加速的OpenCV函数。

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，一面修复bug，同时加强对GPU、Java for Android、 OpenCL、并行化的支持等等，OpenCV愈加稳定完善，值得注意的是 SIFT和SURF从2.4开始被放到了nonfree 模块（因为专利）。

考虑到过渡，OpenCV 2.4.x仍在维护，不过以后可能仅做bug修复和效率提升，不再增加新功能——鼓励向3.x迁移。

OpenCV 3.x

随着3.x的发布，1.x的C API将被淘汰不再被支持，以后C API可能通过C++源代码自动生成。3.x与2.x不完全兼容，与2.x相比，主要的不同之处在于OpenCV 3.x 的大部分方法都使用了OpenCL加速。

2014年8月3.0 alpha发布，除大部分方法都使用OpenCL加速外，3.x默认包含以及使用IPP，同时，matlab bindings、Face Recognition、SIFT、SURF、 text detector、motion templates & simple flow 等都移到了opencv_contrib下（opencv_contrib不仅存放了尚未稳定的代码，同时也存放了涉及专利保护的技术实现），大量涌现的新方法也包含在其中。

2017年8月3.3版本，2017年12月开始的3.4.x版本，opencv_dnn从opencv_contrib移至opencv，同时OpenCV开始支持C++ 11构建，之后明显感到对神经网络的支持在加强，opencv_dnn被持续改进和扩充。

OpenCV 4.0

2018年10月4.0.0发布，OpenCV开始需要支持C++11的编译器才能编译，同时对几百个基础函数使用 "wide universal intrinsics"重写，这些内联函数可以根据目标平台和编译选项映射为SSE2、 SSE4、 AVX2、NEON 或者 VSX 内联函数，获得性能提升。此外，还加入了QR code的检测和识别，以及Kinect Fusion algorithm，DNN也在持续改善和扩充。