本文主要是翻譯人數(shù)統(tǒng)計(jì)器?。感謝Adrian Rosebrock分享視頻人數(shù)統(tǒng)計(jì)的技術(shù)。先上圖看效果，再做技術(shù)分享。主要分四個(gè)部分：基礎(chǔ)支持，目標(biāo)檢測(cè)與目標(biāo)追蹤，實(shí)踐人數(shù)統(tǒng)計(jì)器，視頻檢驗(yàn)效果。
一、基礎(chǔ)支持
需要安裝第三方包：NumPy、OpenCV、dlib、imutils。使用anconda命令conda install xxx。
二、目標(biāo)檢測(cè)與目標(biāo)追蹤
當(dāng)我們應(yīng)用對(duì)象檢測(cè)時(shí)，我們確定對(duì)象在圖像/幀中的位置。對(duì)象檢測(cè)器通常在計(jì)算上也比對(duì)象跟蹤算法更昂貴，因此更慢。物體檢測(cè)算法的示例包括Haar級(jí)聯(lián)，HOG +線(xiàn)性SVM和基于深度學(xué)習(xí)的物體檢測(cè)器，諸如更快的R-CNN，YOLO和單次檢測(cè)器（SSD）
對(duì)象跟蹤器將接受對(duì)象在圖像中的位置的輸入（x，y）坐標(biāo)，并將：
1、為該特定對(duì)象分配唯一ID
2、跟蹤對(duì)象在視頻流中移動(dòng)時(shí)，根據(jù)幀的各種屬性（漸變，光流等）預(yù)測(cè)下一幀中的新對(duì)象位置對(duì)象跟蹤算法的示例包括MedianFlow，MOSSE，GOTURN，kernalized相關(guān)濾波器和判別相關(guān)濾波器，僅舉幾個(gè)例子。如果您有興趣了解OpenCV中內(nèi)置的對(duì)象跟蹤算法的更多信息，請(qǐng)務(wù)必參考此博客文章。
結(jié)合對(duì)象檢測(cè)和對(duì)象跟蹤
高度精確的對(duì)象跟蹤器將對(duì)象檢測(cè)和對(duì)象跟蹤的概念結(jié)合到一個(gè)算法中，通常分為兩個(gè)階段：
1、檢測(cè)：在檢測(cè)階段，我們運(yùn)行計(jì)算上更昂貴的對(duì)象跟蹤器，以（1）檢測(cè)新對(duì)象是否已進(jìn)入我們的視圖，以及（2）查看是否可以找到在跟蹤階段“丟失”的對(duì)象。對(duì)于每個(gè)檢測(cè)到的對(duì)象，我們使用新的邊界框坐標(biāo)創(chuàng)建或更新對(duì)象跟蹤器。由于我們的對(duì)象檢測(cè)器在計(jì)算上更加昂貴，我們每N幀只運(yùn)行一次這個(gè)階段。
2、跟蹤：當(dāng)我們不處于“檢測(cè)”階段時(shí)，我們處于“跟蹤”階段。對(duì)于我們檢測(cè)到的每個(gè)對(duì)象，我們創(chuàng)建一個(gè)對(duì)象跟蹤器，以便在對(duì)象圍繞框架移動(dòng)時(shí)跟蹤對(duì)象。我們的對(duì)象跟蹤器應(yīng)該比對(duì)象檢測(cè)器更快，更有效。我們將繼續(xù)跟蹤，直到我們到達(dá)第N幀，然后重新運(yùn)行我們的物體探測(cè)器。然后整個(gè)過(guò)程重復(fù)。
這種混合方法的好處是我們可以應(yīng)用高度精確的物體檢測(cè)方法，而不會(huì)產(chǎn)生很大的計(jì)算負(fù)擔(dān)。我們將實(shí)施這樣的跟蹤系統(tǒng)來(lái)建立我們的人數(shù)統(tǒng)計(jì)器。
三、實(shí)踐人數(shù)統(tǒng)計(jì)器
項(xiàng)目結(jié)構(gòu)
讓我們回顧一下今天博客文章的項(xiàng)目結(jié)構(gòu)。從“下載”部分獲取代碼后，可以使用tree命令檢查目錄結(jié)構(gòu)：
歸入最重要的兩個(gè)目錄。就是：
1、pyimagesearch /：該模塊包含質(zhì)心跟蹤算法。質(zhì)心跟蹤算法在“組合對(duì)象跟蹤算法”部分中介紹，但代碼不是。有關(guān)質(zhì)心跟蹤代碼（centroidtracker.py）的評(píng)論，請(qǐng)參閱本系列的第一篇文章質(zhì)心算法。
2、mobilenet_ssd /：包含Caffe深度學(xué)習(xí)模型文件。我們將使用MobileNet單次檢測(cè)器（SSD），該文章在本篇博文的頂部“用于物體檢測(cè)的單次檢測(cè)器”一節(jié)中介紹。
今天項(xiàng)目的核心包含在people_counter.py腳本中 - 這就是我們花費(fèi)大部分時(shí)間的地方。我們今天還將審查trackableobject.py腳本。
結(jié)合對(duì)象跟蹤算法
要實(shí)現(xiàn)我們的人員計(jì)數(shù)器，我們將同時(shí)使用OpenCV和dlib。我們將OpenCV用于標(biāo)準(zhǔn)計(jì)算機(jī)視覺(jué)/圖像處理功能，以及用于人數(shù)統(tǒng)計(jì)的深度學(xué)習(xí)對(duì)象檢測(cè)器。
然后我們將使用dlib來(lái)實(shí)現(xiàn)相關(guān)過(guò)濾器。我們也可以在這里使用OpenCV；但是，dlib對(duì)象跟蹤實(shí)現(xiàn)對(duì)于此項(xiàng)目來(lái)說(shuō)更容易使用。
除了dlib的對(duì)象跟蹤實(shí)現(xiàn)，我們還將使用幾周前的質(zhì)心跟蹤實(shí)現(xiàn)。查看整個(gè)質(zhì)心跟蹤算法超出了本博文的范圍，但我在下面簡(jiǎn)要介紹了一下。
1、我們接受一組邊界框并計(jì)算它們對(duì)應(yīng)的質(zhì)心（即邊界框的中心）
在上面的圖像中，您可以看到我們?cè)谒惴ǖ某跏嫉杏袃蓚€(gè)要跟蹤的對(duì)象。
2、我們計(jì)算任何新質(zhì)心（黃色）和現(xiàn)有質(zhì)心（紫色）之間的歐幾里德距離：
質(zhì)心跟蹤算法假設(shè)它們之間具有最小歐幾里德距離的質(zhì)心對(duì)必須是相同的對(duì)象ID。
在上面的示例圖像中，我們有兩個(gè)現(xiàn)有的質(zhì)心（紫色）和三個(gè)新的質(zhì)心（黃色），這意味著已經(jīng)檢測(cè)到一個(gè)新的對(duì)象（因?yàn)檫€有一個(gè)新的質(zhì)心與舊的質(zhì)心）。
然后箭頭表示計(jì)算所有紫色質(zhì)心和所有黃色質(zhì)心之間的歐幾里德距離。
一旦我們得到歐幾里德距離，我們就會(huì)嘗試在步驟3中關(guān)聯(lián)對(duì)象ID：
你可以看到我們的質(zhì)心跟蹤器已選擇關(guān)聯(lián)質(zhì)心，以最大限度地減少各自的歐幾里德距離。
但是左下角的那個(gè)點(diǎn)怎么樣？它沒(méi)有任何關(guān)聯(lián) - 我們?cè)撛趺崔k？
4、要回答這個(gè)問(wèn)題，我們需要執(zhí)行步驟＃4，注冊(cè)新對(duì)象
注冊(cè)只是意味著我們將新對(duì)象添加到我們的跟蹤對(duì)象列表中：
1、為其分配新的對(duì)象ID
2、存儲(chǔ)新對(duì)象的邊界框坐標(biāo)的質(zhì)心
如果一個(gè)對(duì)象丟失或離開(kāi)了視野，我們可以簡(jiǎn)單地取消注冊(cè)該對(duì)象（步驟＃5）。當(dāng)對(duì)象“丟失”或“不再可見(jiàn)”時(shí)，您究竟如何處理實(shí)際上取決于您的確切應(yīng)用程序，但對(duì)于我們的人員計(jì)數(shù)器，當(dāng)他們無(wú)法與任何現(xiàn)有人員對(duì)象匹配40個(gè)連續(xù)幀時(shí)，我們將取消注冊(cè)人員ID 。同樣，這只是質(zhì)心跟蹤算法的簡(jiǎn)要概述。有關(guān)更詳細(xì)的評(píng)論，包括用于實(shí)現(xiàn)質(zhì)心跟蹤的源代碼的說(shuō)明，請(qǐng)務(wù)必參考這篇文章。
創(chuàng)建“可跟蹤對(duì)象”
為了跟蹤和計(jì)算視頻流中的對(duì)象，我們需要一種簡(jiǎn)單的方法來(lái)存儲(chǔ)有關(guān)對(duì)象本身的信息，包括：
1、對(duì)象ID
2、以前的質(zhì)心（所以我們可以很容易地計(jì)算物體移動(dòng)的方向）
3、該對(duì)象是否已被計(jì)算
為了實(shí)現(xiàn)所有這些目標(biāo)，我們可以定義TrackableObject的實(shí)例 - 打開(kāi)trackableobject.py文件并插入以下代碼：
TrackableObject構(gòu)造函數(shù)接受objectID + centroid并存儲(chǔ)它們。 centroids變量是一個(gè)列表，因?yàn)樗鼘粋€(gè)對(duì)象的質(zhì)心位置歷史記錄。
構(gòu)造函數(shù)還將count初始化為False，表示該對(duì)象尚未計(jì)數(shù)。
使用OpenCV + Python實(shí)現(xiàn)我們的人員計(jì)數(shù)器
有了我們所有支持的Python幫助工具和類(lèi)，我們現(xiàn)在可以構(gòu)建我們的OpenCV人員計(jì)數(shù)器了。
打開(kāi)你的people_counter.py文件并插入以下代碼：
我們首先導(dǎo)入必要的包：
從pyimagesearch模塊，我們導(dǎo)入自定義的CentroidTracker和TrackableObject類(lèi)。
1、imutils.video中的VideoStream和FPS模塊將幫助我們使用網(wǎng)絡(luò)攝像頭并計(jì)算估計(jì)的每秒幀數(shù)（FPS）吞吐率。
2、我們需要為其OpenCV便利功能提供imutils。
3、dlib庫(kù)將用于其相關(guān)跟蹤器實(shí)現(xiàn)。
4、OpenCV將用于深度神經(jīng)網(wǎng)絡(luò)推理，打開(kāi)視頻文件，編寫(xiě)視頻文件以及向屏幕顯示輸出幀。
現(xiàn)在所有的工具都在我們手里，讓我們解析命令行參數(shù)：
我們有六個(gè)命令行參數(shù)，允許我們?cè)谶\(yùn)行時(shí)從終端將信息傳遞給我們的人員計(jì)數(shù)器腳本：
1、--prototxt：Caffe“部署”原型文件的路徑。
2、--model：Caffe預(yù)訓(xùn)練CNN模型的路徑。
3、--input：可選的輸入視頻文件路徑。如果未指定路徑，則將使用您的網(wǎng)絡(luò)攝像頭。
4、--output：可選的輸出視頻路徑。如果未指定路徑，則不會(huì)錄制視頻。
5、--confidence：默認(rèn)值為0.4，這是有助于濾除弱檢測(cè)的最小概率閾值。
6、--skip-frames：在跟蹤對(duì)象上再次運(yùn)行DNN檢測(cè)器之前要跳過(guò)的幀數(shù)。請(qǐng)記住，對(duì)象檢測(cè)在計(jì)算上很昂貴，但它確實(shí)有助于我們的跟蹤器重新評(píng)估幀中的對(duì)象。默認(rèn)情況下，我們使用OpenCV DNN模塊和CNN單發(fā)探測(cè)器模型在檢測(cè)對(duì)象之間跳過(guò)30幀。
現(xiàn)在我們的腳本可以在運(yùn)行時(shí)動(dòng)態(tài)處理命令行參數(shù)，讓我們準(zhǔn)備我們的SSD：
首先，我們將初始化CLASSES - 我們的SSD支持的類(lèi)列表。如果您使用的是“下載”中提供的模型，則不應(yīng)更改此列表。我們只對(duì)“人”類(lèi)感興趣，但你也可以計(jì)算其他移動(dòng)物體（但是，如果你的“盆栽植物”，“沙發(fā)”或“電視監(jiān)視器”長(zhǎng)出腿并開(kāi)始移動(dòng)，你應(yīng)該跑出你的房子尖叫而不是計(jì)數(shù)它們??？）。
在38行上，我們加載了用于檢測(cè)物體的預(yù)訓(xùn)練的MobileNet SSD（但同樣，我們只對(duì)檢測(cè)和跟蹤人員感興趣，而不是任何其他類(lèi)別）。要了解有關(guān)MobileNet和SSD的更多信息，請(qǐng)參閱我之前的博客文章。
從那里我們可以初始化我們的視頻流：
首先，我們處理我們使用網(wǎng)絡(luò)攝像頭視頻流的情況（第41-44行）。否則，我們將從視頻文件中捕獲幀（第47-49行）。
在開(kāi)始循環(huán)幀之前，我們?nèi)匀恍枰獔?zhí)行一些初始化：
其余的初始化包括：
1、寫(xiě)：寫(xiě)視頻。如果我們要寫(xiě)視頻，我們稍后會(huì)實(shí)例化這個(gè)對(duì)象。
2、W和H：我們的框架尺寸。我們需要將它們插入到cv2.VideoWriter中。
3、ct：我們的CentroidTracker。有關(guān)CentroidTracker實(shí)施的詳細(xì)信息，請(qǐng)務(wù)必參考幾周前的博客文章。
4、跟蹤器：用于存儲(chǔ)dlib關(guān)聯(lián)跟蹤器的列表。要了解dlib相關(guān)性跟蹤，請(qǐng)繼續(xù)關(guān)注下周的帖子。
5、trackableObjects：將objectID映射到TrackableObject的字典。
6、totalFrames：處理的幀總數(shù)。
7、totalDown和totalUp：向下或向上移動(dòng)的對(duì)象/人的總數(shù)。這些變量衡量腳本的實(shí)際“人數(shù)統(tǒng)計(jì)”結(jié)果。
8、fps：我們的每秒幀數(shù)估算器用于基準(zhǔn)測(cè)試。
注意：如果您在下面的while循環(huán)中迷了，您應(yīng)該參考這個(gè)重要變量的項(xiàng)目符號(hào)列表。
現(xiàn)在我們已經(jīng)完成了所有的初始化，讓我們循環(huán)傳入的幀：
我們開(kāi)始在第76行循環(huán)。在循環(huán)的頂部我們抓住下一幀（第79和80行）。如果我們已經(jīng)到達(dá)視頻的末尾，我們將突破循環(huán)（第84和85行）。預(yù)處理幀發(fā)生在第90和91行。這包括調(diào)整大小和交換顏色通道，因?yàn)閐lib需要rgb圖像。
我們抓取視頻編寫(xiě)器的幀尺寸（第94和95行）。
如果通過(guò)命令行參數(shù)提供輸出路徑（第99-102行），我們將從那里實(shí)例化視頻編寫(xiě)器。要了解有關(guān)將視頻寫(xiě)入磁盤(pán)的更多信息，請(qǐng)務(wù)必參閱此文章。
現(xiàn)在讓我們檢測(cè)人使用SSD：
我們?cè)诘?07行初始化狀態(tài)為“等待”?？赡艿臓顟B(tài)狀態(tài)包括：
1、等待：在這種狀態(tài)下，我們正在等待人們被發(fā)現(xiàn)和跟蹤。
2、檢測(cè)：我們正在積極地使用MobileNet SSD檢測(cè)人員。
3、跟蹤：在框架中跟蹤人員，我們計(jì)算totalUp和totalDown。
我們的rects列表將通過(guò)檢測(cè)或跟蹤填充。我們繼續(xù)并在第108行初始化rects。
重要的是要理解深度學(xué)習(xí)對(duì)象檢測(cè)器在計(jì)算上非常昂貴，特別是如果您在CPU上運(yùn)行它們。
為了避免在每一幀上運(yùn)行我們的對(duì)象檢測(cè)器，并加快我們的跟蹤管道，我們將跳過(guò)每N幀（由命令行參數(shù)設(shè)置--skip-frames，其中30是默認(rèn)值）。我們只需每N幀就可以使用SSD進(jìn)行物體檢測(cè)。否則，我們將只是跟蹤中間的移動(dòng)物體。
使用第112行的模運(yùn)算符，我們確保每N幀只執(zhí)行if語(yǔ)句中的代碼。
假設(shè)我們已經(jīng)登陸了多個(gè)skip_frames，我們將狀態(tài)更新為“Detecting”（第114行）。
然后我們初始化新的跟蹤器列表（第115行）。
接下來(lái)，我們將通過(guò)對(duì)象檢測(cè)進(jìn)行推理。我們首先從圖像中創(chuàng)建一個(gè)blob，然后將blob傳遞到網(wǎng)中以獲得檢測(cè)（第119-121行）。
現(xiàn)在我們將遍歷每個(gè)檢測(cè)，希望找到屬于“person”類(lèi)的對(duì)象：
在第124行的檢測(cè)中循環(huán)，我們繼續(xù)獲取置信度（第127行）并過(guò)濾掉弱結(jié)果+那些不屬于“人”類(lèi)的行（第131-138行）。
現(xiàn)在我們可以為每個(gè)人計(jì)算一個(gè)邊界框并開(kāi)始相關(guān)性跟蹤：
計(jì)算我們的邊界框發(fā)生在第142和143行。
然后我們?cè)?48行實(shí)例化我們的dlib相關(guān)跟蹤器，然后將對(duì)象的邊界框坐標(biāo)傳遞給dlib.rectangle，將結(jié)果存儲(chǔ)為rect（第149行）。
隨后，我們開(kāi)始在150行跟蹤，并將跟蹤器附加到154行的跟蹤器列表中。
這是我們每N個(gè)跳幀所做的所有操作的包裝！
讓我們來(lái)處理在else塊中進(jìn)行跟蹤的典型操作：
大多數(shù)時(shí)候，我們沒(méi)有重新設(shè)置跳幀skip-frame功能。在此期間，我們將利用我們的跟蹤器來(lái)跟蹤我們的對(duì)象，而不是應(yīng)用檢測(cè)。
我們開(kāi)始在160行的可用跟蹤器上循環(huán)。
我們繼續(xù)將狀態(tài)更新為“跟蹤”（第163行）并抓住對(duì)象位置（第166和167行）。
從那里我們提取位置坐標(biāo)（第170-173行），然后填寫(xiě)我們的rects列表中的信息。
現(xiàn)在讓我們繪制一條水平可視化線(xiàn)（人們必須交叉才能被跟蹤）并使用質(zhì)心跟蹤器來(lái)更新我們的對(duì)象質(zhì)心：
在第181行，我們繪制了水平線(xiàn)，我們將用它來(lái)形象化人們“穿越” - 一旦人們?cè)竭^(guò)這條線(xiàn)，我們將增加我們各自的柜臺(tái)
然后在第185行，我們利用CentroidTracker實(shí)例來(lái)接受rects列表，無(wú)論它們是通過(guò)對(duì)象檢測(cè)還是對(duì)象跟蹤生成的。我們的質(zhì)心跟蹤器將對(duì)象ID與對(duì)象位置相關(guān)聯(lián)。
在下一個(gè)塊中，我們將檢查一個(gè)人在框架中向上或向下移動(dòng)的邏輯：
我們首先循環(huán)遍歷對(duì)象ID的更新的邊界框坐標(biāo)（第188行）。
在第191行，我們嘗試為當(dāng)前objectID獲取TrackableObject。
如果objectID不存在TrackableObject，我們創(chuàng)建一個(gè)（第194和195行）。
否則，已經(jīng)存在TrackableObject，因此我們需要確定對(duì)象（人）是向上還是向下移動(dòng)。
為此，我們獲取給定對(duì)象的所有先前質(zhì)心位置的y坐標(biāo)值（第204行）。然后我們通過(guò)獲取當(dāng)前質(zhì)心位置和所有先前質(zhì)心位置的平均值之間的差來(lái)計(jì)算方向（線(xiàn)205）。
我們采用均值的原因是為了確保我們的方向跟蹤更加穩(wěn)定。如果我們只為那個(gè)人存儲(chǔ)了前一個(gè)質(zhì)心位置，那么我們就會(huì)對(duì)錯(cuò)誤的方向計(jì)數(shù)進(jìn)行開(kāi)放。請(qǐng)記住，對(duì)象檢測(cè)和對(duì)象跟蹤算法并不“神奇” - 有時(shí)它們會(huì)預(yù)測(cè)可能略微偏離您所期望的邊界框;因此，通過(guò)取平均值，我們可以使我們的人更準(zhǔn)確。
如果TrackableObject尚未計(jì)算（第209行），我們需要確定它是否已準(zhǔn)備好進(jìn)行計(jì)數(shù)（第213-222行），方法是：
檢查方向是否為負(fù)（表示物體向上移動(dòng)）并且質(zhì)心位于中心線(xiàn)上方。在這種情況下，我們?cè)黾觮otalUp。
或者檢查方向是否為正（表示物體向下移動(dòng)）并且質(zhì)心低于中心線(xiàn)。如果這是真的，我們?cè)黾觮otalDown。
最后，我們將TrackableObject存儲(chǔ)在trackableObjects字典中（第225行），這樣我們就可以在捕獲下一幀時(shí)抓取并更新它。
我們?cè)诨A(chǔ)擴(kuò)展！
接下來(lái)的三個(gè)代碼塊處理：
1、Display ：顯示（繪制和書(shū)寫(xiě)文本到框架）
2、將幀寫(xiě)入磁盤(pán)上的視頻文件（如果存在--output命令行參數(shù)）
3、捕捉按鍵
4、清理
首先，我們將在框架上繪制一些信息為可視化：
在這里，我們?cè)诳蚣苌细采w以下數(shù)據(jù)：
1、ObjectID：每個(gè)對(duì)象的數(shù)字標(biāo)識(shí)符。
2、質(zhì)心：物體的中心將由一個(gè)“點(diǎn)”表示，該點(diǎn)通過(guò)填充圓形而形成。
3、info：包括totalUp，totalDown和status
有關(guān)繪圖操作的評(píng)論，請(qǐng)務(wù)必參閱此博客文章。
然后我們將幀寫(xiě)入視頻文件（如果需要）并處理按鍵：
在這個(gè)塊中我們：
1、Write the?frame，如有必要，將幀寫(xiě)入輸出視頻文件（第249行和第250行）
2、顯示框架和手柄按鍵（第253-258行）。如果按下“q”，我們就會(huì)跳出幀處理循環(huán)。
3、更新我們的fps計(jì)數(shù)器（第263行）
我們沒(méi)有太多的混亂，但現(xiàn)在是時(shí)候清理：
為了完成腳本，我們向終端顯示FPS信息，釋放所有指針，并關(guān)閉所有打開(kāi)的窗口。
之后只有283行代碼，我們現(xiàn)在完成了嗎？
四、視頻檢驗(yàn)效果
要查看我們的OpenCV人員計(jì)數(shù)器，請(qǐng)確保使用此博客文章的“下載”部分下載源代碼和示例視頻。
從那里，打開(kāi)一個(gè)終端并執(zhí)行以下命令：
在這里，您可以看到我們的人員計(jì)數(shù)器正在計(jì)算以下人數(shù)：
1、正在進(jìn)入百貨商店（dowm）
2、和離開(kāi)的人數(shù)（up）
在第一個(gè)視頻結(jié)束時(shí)，你會(huì)看到有7個(gè)人進(jìn)入，3個(gè)人離開(kāi)。
此外，檢查終端輸出，您將看到我們的人員計(jì)數(shù)器能夠?qū)崟r(shí)運(yùn)行，從而獲得34 FPS。盡管我們正在使用深度學(xué)習(xí)對(duì)象檢測(cè)器來(lái)進(jìn)行更準(zhǔn)確的人物檢測(cè)。
1、通過(guò)我們的兩階段流程，我們可以實(shí)現(xiàn)34 FPS的全部費(fèi)率：
2、每30幀檢測(cè)一次
然后在其間的所有幀中應(yīng)用更快，更有效的對(duì)象跟蹤算法。使用OpenCV計(jì)算人數(shù)的另一個(gè)例子如下：
我在下面添加了一個(gè)簡(jiǎn)短的GIF，讓您了解算法的工作原理：
這次有2人進(jìn)入百貨商店，14人已經(jīng)離開(kāi)。
您可以看到這個(gè)系統(tǒng)對(duì)于對(duì)流量分析感興趣的商店所有者有多大用處。
使用OpenCV計(jì)算人流量的相同類(lèi)型的系統(tǒng)可用于計(jì)算OpenCV的汽車(chē)流量，我希望在未來(lái)的博客文章中涵蓋該主題。
