Doi技术团队

在开始对图像应用霍夫变换之前，我们需要了解霍夫空间是什么，我们将通过示例的方式来学习。

CrowdNet 模型是 2016 年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet 模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。

本项目是一个简单的图像分类应用程序，演示了如何使用 PyTorch Android API。此应用程序在静态图像上运行 TorchScript 序列化的 TorchVision 预训练的 resnet18 模型，该模型作为 Android 资产打包在应用程序内部。

如果您是那种希望尽快入门的男孩（或女孩），则可以跳过本节，直接进入代码。但是为了更好地了解 face-api.js 中用于实现人脸识别的方法，我强烈建议您继续学习，因为我经常被问到这一点。
为简单起见，我们实际上要实现的目标是，识别出具有其面部图像的人，例如 输入图像。我们这样做的方法是为我们要识别的每个人提供一张（或多张）图像，并标上人名，例如参考数据。现在我们将输入图像与参考数据进行比较，找到最相似参考图片。如果两个图像足够相似，我们将输出人名，否则我们输出 '未知'。
听起来像是个计划！但是，仍然存在两个问题。首先，如果我们有一个显示多个人的图像并且我们想要识别所有这些人怎么办？其次，我们需要能够为两个面部图像获得这种相似性度量，以便对其进行比较...

SSD，全称 Single Shot MultiBox Detector，是 Wei Liu 在 ECCV 2016 上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比 Faster RCNN 有明显的速度优势，相比 YOLO V1 又有明显的 mAP 优势。本开源是基于 PaddlePaddle 实现的 SSD，包括 MobileNetSSD，MobileNetV2SSD，VGGSSD，ResNetSSD。使用的是 VOC 格式数据集，同时提供了预训练模型和 VOC 数据的预测模型。

在上一章我们介绍了《双目摄像头测量距离》，在这个基础上，我们来了解如何在 Android 上使用双目测距算法。通过本教程，你不仅掌握如何在 Android 中使用 SBM 等双目测距算法，顺便也了解到如何在 Android Studio 配置 OpenCV，通过使用 OpenCV 可以在 Android 中实现很多图像处理的功能。

在计算机视觉中，可以通过双目摄像头实现，常用的有 BM 算法和 SGBM 算法等，双目测距跟激光不同，双目测距不需要激光光源，是人眼安全的，只需要摄像头，成本非常底，也用于应用到大多数的项目中。本章我们就来介绍如何使用双目摄像头和 SGBM 算法实现距离测量。