A. opencv 在linux和win7哪個平台更方便
簡單點說，這是兩個完全不同內核的操作系統，很難說哪個更好，在桌面系統，winodws更受歡迎，而在伺服器領域，linux得到更廣泛的應用。
Microsoft Windows,是美國微軟公司研發的一套操作系統，它問世於1985年，起初僅僅是Microsoft-DOS模擬環境，後續的系統版本由於微軟不斷的更新升級，不但易用，也慢慢的成為家家戶戶人們最喜愛的操作系統。
Windows採用了圖形化模式GUI，比起從前的DOS需要鍵入指令使用的方式更為人性化。隨著電腦硬體和軟體的不斷升級，微軟的Windows也在不斷升級，從架構的16位、32位再到64位，甚至128位，系統版本從最初的Windows 1.0 到大家熟知的Windows 95、Windows 98、Windows ME、Windows 2000、Windows 2003、Windows XP、Windows Vista、Windows 7、Windows 8、Windows 8.1、Windows 10（預覽版）和 Windows Server伺服器企業級操作系統，不斷持續更新，微軟一直在致力於Windows操作系統的開發和完善。
Linux是一套免費使用和自由傳播的類Unix操作系統，是一個基於POSIX和UNIX的多用戶、多任務、支持多線程和多CPU的操作系統。它能運行主要的UNIX工具軟體、應用程序和網路協議。它支持32位和64位硬體。Linux繼承了Unix以網路為核心的設計思想，是一個性能穩定的多用戶網路操作系統。
Linux操作系統誕生於1991 年10 月5 日（這是第一次正式向外公布時間）。Linux存在著許多不同的Linux版本，但它們都使用了Linux內核。Linux可安裝在各種計算機硬體設備中，比如手機、平板電腦、路由器、視頻游戲控制台、台式計算機、大型機和超級計算機。
嚴格來講，Linux這個詞本身只表示Linux內核，但實際上人們已經習慣了用Linux來形容整個基於Linux內核，並且使用GNU 工程各種工具和資料庫的操作系統。
B. 在圖像識別上深度學習和opencv有什麼不同啊，我只用過opencv，對深度學習不了解
一般來說 ：深度學習就是構建卷積神經網路，一般用matlab里的神經網路工具箱，數據需求量非常大，效果還不一定好，例子有CNN，具體請網路
C. 如何用OpenCV訓練自己的分類器
目標檢測方法最初由Paul Viola [Viola01]提出，並由Rainer Lienhart [Lienhart02]對這一方法進行了改善。該方法的基本步驟為： 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特徵進行分類器訓練，得到一個級聯的boosted分類器。
分類器中的"級聯"是指最終的分類器是由幾個簡單分類器級聯組成。在圖像檢測中，被檢窗口依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。
分類器訓練完以後，就可以應用於輸入圖像中的感興趣區域的檢測。檢測到目標區域分類器輸出為1，否則輸出為0。為了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標。 為了搜索不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。
目前支持這種分類器的boosting技術有四種： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
"boosted" 即指級聯分類器的每一層都可以從中選取一個boosting演算法(權重投票)，並利用基礎分類器的自我訓練得到。
根據上面的分析，目標檢測分為三個步驟：
1、 樣本的創建
2、 訓練分類器
3、 利用訓練好的分類器進行目標檢測。
D. http://www.opencvchina.com學習網址怎麼訪問不了了
貌似只有等了，你可以去其他opencv論壇看看
E. 已知網路圖像的URL路徑，不保存本地，如何通過Opencv讀取圖像到圖像數據希望得到幫助，謝謝！
看來這個偏僻的小雜貨店並沒有受到其他路人的收刮，林雲很慶幸店裡有很多食物和日常能用上的東西。將那些東西裝進背包，林雲拿著一盒香煙，從中拿出一根遞給，靠在一旁的黑仔。
隨著林雲手指的方向，大家迅速的組好隊形，向那個位置突圍過去。由於喪屍數量眾人，眾人突圍的速度變得有些緩慢，好在並沒有被大量的喪屍近身包圍。
從家出發一路上都沒有遇到一個人，這讓原本有些煩躁的林雲，心裡很是焦急。就在這時他看到不遠處一個身影半跪著在草地上，林雲見到立馬小跑過去，嘴裡詢問道：「麻煩問一下，你能告訴我這個城市到底發生了事情嗎？」
「你，居然對我們下黑手，這下落到我們手裡，有你好受的。」趕過來的一個青年，滿了憤怒的看著林雲，伸手摸了摸後腦勺，威脅道。
「你就別裝了，威脅？我大哥能對你們產生什麼威脅，就算他對你們產生威脅，那你們離開的時候不能打開手銬放開他嗎。」聽到林雲的解釋，潘弩根本不願相信，只見他還想上去收拾林雲時，站在一旁的黑仔向前擋住了林雲的身體。
F. OpenCV與深度學習有關系嗎
opencv是一個圖像處理庫，只是其中封裝了傳統的機器學習方法和特徵提取方式。
深度學習是新興起的機器學習演算法，是神經網路演算法的擴展，不再需要人工去提取特徵，效果也非常好。
cnn，dnn這些才是演算法，caffe，theano這些只是深度學習框架，封裝了底層實現，使用者只需要調節參數，降低了深度學習的門檻。
G. OpenCV和深度學習到底是什麼關系
1. 深度學習與AI。本質上來講，人工智慧相比深度學習是更寬泛的概念。人工智慧現階段分為弱人工智慧和強人工智慧，實際上當下科技能實現的所謂「人工智慧」都是弱AI，奧創那種才是強AI（甚至是boss級的）。而深度學習，是AI中的一種技術或思想，曾被MIT技術評論列為2013年十大突破性技術（Deep Learning居首）。或者換句話說，深度學習這種技術（我更喜歡稱其為一種思想，即end-to-end）說不定就是實現未來強AI的突破口。
2. 深度學習與ML。DL與ML兩者其實有著某種微妙的關系。在DL還沒有火起來的時候，它是以ML中的神經網略學習演算法存在的，隨著計算資源和big data的興起，神經網路搖身一變成了如今的DL。學界對DL一般有兩種看法，一種是將其視作feature extractor，僅僅用起提取powerful feature；而另一種則希望將其發展成一個新的學習分支，也就是我上面說的end-to-end的「深度學習的思想」。
H. opencv 對網路攝像頭採集到的視頻調用
如果你用Qt+OpenCV採集網路攝像頭的話，主要分兩步：
1.獲取網路視頻數據；可能用到：
QNetworkAccessManager；QNetworkReply ;QNetworkRequest
通過QNetworkAccessManager的get函數訪問某個QNetworkRequest(url)，獲得一個QNetworkReply;
當QNetworkReply readread的時候,讀取視頻流數據並解析成OpenCV的Mat矩陣或Iplimage；
通過不斷讀取數據，並調用imshow()或cvshowimage函數顯示視頻；也可以轉換成QImage在qt界面中顯示。
2.圖像處理
獲取Mat矩陣或IplImage之後，可以調用OpenCV里的函數對他們進行處理了。
I. opencv有神經網路嗎
3.x版本中的contrib中有神經網路相關里的例子，但是需要在安裝opencv之後再手動安裝。
J. opencv神經網路 新增樣本學習需要全部重新開始嗎
整個項目的結構圖：
編寫DetectFaceDemo.java,代碼如下：
[java] view
plainprint?
package com.njupt.zhb.test;
import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.core.MatOfRect;
import org.opencv.core.Point;
import org.opencv.core.Rect;
import org.opencv.core.Scalar;
import org.opencv.highgui.Highgui;
import org.opencv.objdetect.CascadeClassifier;
//
// Detects faces in an image, draws boxes around them, and writes the results
// to "faceDetection.png".
//
public class DetectFaceDemo {
public void run() {
System.out.println("\nRunning DetectFaceDemo");
System.out.println(getClass().getResource("lbpcascade_frontalface.xml").getPath());
// Create a face detector from the cascade file in the resources
// directory.
//CascadeClassifier faceDetector = new CascadeClassifier(getClass().getResource("lbpcascade_frontalface.xml").getPath());
//Mat image = Highgui.imread(getClass().getResource("lena.png").getPath());
//注意：源程序的路徑會多列印一個『/』，因此總是出現如下錯誤
/*
* Detected 0 faces Writing faceDetection.png libpng warning: Image
* width is zero in IHDR libpng warning: Image height is zero in IHDR
* libpng error: Invalid IHDR data
*/
//因此，我們將第一個字元去掉
String xmlfilePath=getClass().getResource("lbpcascade_frontalface.xml").getPath().substring(1);
CascadeClassifier faceDetector = new CascadeClassifier(xmlfilePath);
Mat image = Highgui.imread(getClass().getResource("we.jpg").getPath().substring(1));
// Detect faces in the image.
// MatOfRect is a special container class for Rect.
MatOfRect faceDetections = new MatOfRect();
faceDetector.detectMultiScale(image, faceDetections);
System.out.println(String.format("Detected %s faces", faceDetections.toArray().length));
// Draw a bounding box around each face.
for (Rect rect : faceDetections.toArray()) {
Core.rectangle(image, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.height), new Scalar(0, 255, 0));
}
// Save the visualized detection.
String filename = "faceDetection.png";
System.out.println(String.format("Writing %s", filename));
Highgui.imwrite(filename, image);
}
}
package com.njupt.zhb.test;
import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.core.MatOfRect;
import org.opencv.core.Point;
import org.opencv.core.Rect;
import org.opencv.core.Scalar;
import org.opencv.highgui.Highgui;
import org.opencv.objdetect.CascadeClassifier;
//
// Detects faces in an image, draws boxes around them, and writes the results
// to "faceDetection.png".
//
public class DetectFaceDemo {
public void run() {
System.out.println("\nRunning DetectFaceDemo");
System.out.println(getClass().getResource("lbpcascade_frontalface.xml").getPath());
// Create a face detector from the cascade file in the resources
// directory.
//CascadeClassifier faceDetector = new CascadeClassifier(getClass().getResource("lbpcascade_frontalface.xml").getPath());
//Mat image = Highgui.imread(getClass().getResource("lena.png").getPath());
//注意：源程序的路徑會多列印一個『/』，因此總是出現如下錯誤
/*
* Detected 0 faces Writing faceDetection.png libpng warning: Image
* width is zero in IHDR libpng warning: Image height is zero in IHDR
* libpng error: Invalid IHDR data
*/
//因此，我們將第一個字元去掉
String xmlfilePath=getClass().getResource("lbpcascade_frontalface.xml").getPath().substring(1);
CascadeClassifier faceDetector = new CascadeClassifier(xmlfilePath);
Mat image = Highgui.imread(getClass().getResource("we.jpg").getPath().substring(1));
// Detect faces in the image.
// MatOfRect is a special container class for Rect.
MatOfRect faceDetections = new MatOfRect();
faceDetector.detectMultiScale(image, faceDetections);
System.out.println(String.format("Detected %s faces", faceDetections.toArray().length));
// Draw a bounding box around each face.
for (Rect rect : faceDetections.toArray()) {
Core.rectangle(image, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.height), new Scalar(0, 255, 0));
}
// Save the visualized detection.
String filename = "faceDetection.png";
System.out.println(String.format("Writing %s", filename));
Highgui.imwrite(filename, image);
}
}
3.編寫測試類：
[java] view
plainprint?
package com.njupt.zhb.test;
public class TestMain {
public static void main(String[] args) {
System.out.println("Hello, OpenCV");
// Load the native library.
System.loadLibrary("opencv_java246");
new DetectFaceDemo().run();
}
}
//運行結果:
//Hello, OpenCV
//
//Running DetectFaceDemo
///E:/eclipse_Jee/workspace/JavaOpenCV246/bin/com/njupt/zhb/test/lbpcascade_frontalface.xml
//Detected 8 faces
//Writing faceDetection.png
package com.njupt.zhb.test;
public class TestMain {
public static void main(String[] args) {
System.out.println("Hello, OpenCV");
// Load the native library.
System.loadLibrary("opencv_java246");
new DetectFaceDemo().run();
}
}
//運行結果:
//Hello, OpenCV
//
//Running DetectFaceDemo
///E:/eclipse_Jee/workspace/JavaOpenCV246/bin/com/njupt/zhb/test/lbpcascade_frontalface.xml
//Detected 8 faces
//Writing faceDetection.png