在 Android 手机上合成图片也不麻烦，使用 OpenCV 图像无缝融合功能，通过少量的操作就可以将两副图像无缝的融合到一起，在要求不是很精确的场合，有着可以接受的合成效果。

你可能已经了解到一些电影特效大片的制作过程，拍摄时演员身旁是纯色屏障和一些道具，穿着奇怪的衣服对着空气拳打脚踢、施展魔法。而到了影片里，演员却出现在惊险的树林，或是跟凶恶的怪兽打斗，画面变得格外精彩。能演电影是幸运的事，借助于现代机器视觉、计算机图形技术，或许你拿起手机也可以拍摄出你的超级大片。

目标检测（Object Detection，检测识别图像中的物体，下称图像识别）神经网络之一 YOLO 已经发布了第三版（YOLOv3），他名称挺有意思：You Only Look Once，你只看一次。他的作者也挺有意思，Darknet 项目的 LICENSE.fuck 看上去有着一种随意、不讲究的个性。随着神经网络技术的兴起，机器视觉软件库之一 OpenCV 在其 3.3 版本中正式添加了 DNN 模块，以支持神经网络算法应用。他能够支持多种机器学习（包括深度学习）框架的预训练神经网络模型，对图像、视频应用神经网络算法。

人脸检测很早就有了，以前的数码相机拍照的时候就能实时检测出人脸、笑脸。不过那时的检测会有一些要求，脸要摆正，最好不能带帽子，笑要露出牙齿会更容易检测到。现在随着深度学习技术的发展，人脸检测技术也有了巨大的变化。

跑分第一的手机未必能跑得动神经网络，因为 CPU 的浮点计算能力很有限，在执行图像处理、机器视觉等一些计算密集型任务时，效率会非常低。处理那样的任务是 GPU 的专长，图形硬件不仅能 3D 绘图渲染，还能通过 OpenCL 等接口使用它的计算能力。这里将展示 PC 平台上图形硬件对神经网络的计算加速，在 OpenCV DNN 图像检测程序中对比 CPU 和 GPU 计算的效能差别。

这篇博文也是介绍 OpenCV DNN 模块在 Android 上的应用，运行 GoogLeNet 模型对摄像头画面做图像分类。相关的博文点击文章左下方的 OpenCV 标签可以看到。下图底部有一行字 coffee mug（咖啡杯），这是对画面中的这杯咖啡准确识别分类的结果。

这标题都是英文，看了一下专业词汇多还真不好写中文。本文的内容是介绍 OpenCV DNN（Deep Neural Networks）模块在 Android 上的使用，运行深度学习模型来做图像的多目标识别。移动设备上基于深度学习的图像识别技术离实际应用还有段距离，不过该技术却有着惊艳的效果。