1.【奇技淫巧】OpenCV中Blob分析的源码两个关键技巧
2.ncnn的使用2：onnx转ncnn模型跑resnet18
3.opencv检测由人头（头发），应该怎么实现呢？

【奇技淫巧】OpenCV中Blob分析的解析两个关键技巧

       在深入学习OpenCV应用开发的过程中，掌握Blob分析技巧是源码至关重要的，它能帮助我们实现灰度块对象的解析检测和分离。《OpenCV应用开发：入门、源码进阶与工程化实践》这本书为我们提供了实践指导，解析android扫雷源码落叶特别是源码SimpleBlobDetector函数，它是解析Blob分析的核心工具。

       SimpleBlobDetector函数包含一些关键特性。源码首先，解析它的源码默认参数设置和参数检查可能引发误解。函数在每次调用前都会进行断言检查，解析即使你关闭某些过滤选项，源码也必须为这些选项提供有效值，解析否则检测将无法进行。源码查看blobdetector.cpp源码可以进一步理解这个特性。

       其次，值得注意的是，SimpleBlobDetector对输入图像背景有特定要求。7号商城源码如果背景是黑色，所有参数可能无法正常工作，但官方文档并未明确指出这一点，这可能会误导初学者。因此，了解这一点对于正确使用Blob分析至关重要。

       本书共章，详尽解析OpenCV开发模块，还涉及深度学习和工程化开发，codeblocks自带函数源码旨在提升读者的OpenCV开发能力。如果你希望通过学习这本书成为真正的OpenCV开发者，强烈推荐查看本书目录，其中还有专属答疑群（读者QQ群，进群暗号：OpenCV4读者），为你的学习之路提供支持。

ncnn的使用2：onnx转ncnn模型跑resnet

       NCNN的使用教程：将ONNX模型转换为运行ResNet

       NCNN提供了强大的模型转换工具，便于将Caffe、ONNX等模型转换为ncnn格式。ro_ea源码在编译后的ncnn build/tools目录下，我们找到了onnx2ncnn工具。本文将展示如何使用它将PyTorch导出的ResNet的ONNX模型转换为ncnn适用的模型。

       项目的结构如下：src存放源代码，python包含脚本，model_param存放模型文件，image存放推理，bin存放可执行文件。在bin目录下，苏醒博客源码我们拷贝了来自ncnn/build/tools/onnx的onnx2ncnn工具。

       在python脚本export_res.py中，通过给定示例输入，我们导出resnet的ONNX模型至model_param目录。然后，我们使用ncnn官方提供的工具onnx2ncnn进行转换，生成resnet.param和resnet.bin文件，分别存储模型结构和参数。

       resnet.param文件包含（magic number）和层与blob的数量，其中blob用于存储中间数据。Blob的数量通常比层多，因为每个层可能有多个输入和输出。例如，Convolution层有输入和输出blob，而Split算子则有多个输入和输出。

       在推理代码中，我们参考ncnn/examples/squeezenet.cpp编写，首先创建Net实例，加载模型参数（resnet.param和resnet.bin），并确保输入转换为RGB格式，因为OpenCV默认为BGR。此外，还需对进行归一化处理，以适应模型的输入要求。

       CMakeLists.txt文件中，我们设置了ncnn库的搜索路径，并将可执行文件输出到bin目录下，同时链接ncnn和OpenCV库。

       通过以上步骤，你已经学会了如何使用ncnn将ONNX格式的ResNet模型转换并进行推理。

opencv检测由人头（头发），应该怎么实现呢？

       最简单的办法：

       1. 滤波- 去噪

       2. 二值化 - 可以根据直方图，提取头部图像，不过这个时候肯定还有其他的噪声

       3. 形态学分析- 强化头部图像的特征

       3. Blob分析- 分析头部图像的特征数据 做一个模式匹配

       4. 输出人头的数量，位置等参数