linuxopencv怎么重新编译单个源码？
首先，先要再linux上安装opencv的库，在线安装的话，很容易然后，编译的时候需要加上`pkg-configopencv--libs--cflagsopencv`参数
opencv十大开源框架？
十大框架：1.谷歌云的VisionAPI，2.YOLOv3,3.Tensorflow,4.Libfacedetection,5.RasterVision，6.SOD，7.Face_recognition，8.DeepFaceLab，9.JeelizFaceFilter，10.OpenCV
1.谷歌云的VisionAPI
GoogleCloud的VisionAPI是一种易于使用的图像识别技术，可让开发人员通过应用强大的机器学习模型来了解图像的内容。它通过REST和RPCAPI提供强大的预训练机器学习模型。它还使开发人员可以轻松地将关键视觉检测功能集成到应用程序中，包括面部和地标检测、图像标记、光学字符识别(OCR)和显式内容标记。它还允许我们为图像分配标签并快速将它们分类为数百万个预定义的类别。它可以帮助我们检测物体和面部，阅读印刷和手写文本，并将有价值的元数据构建到您的图像目录中。
2.YOLOv3
YOLO（YouOnlyLookOnce）是最先进的实时对象检测系统，是最广泛使用的基于深度学习的对象检测方法之一。它将对象检测视为一个回归问题，使用单个前馈卷积神经网络直接从完整图像预测类别概率和边界框偏移。它使用k-means聚类方法来估计预测边界框的初始宽度和高度。YOLOv3消除了区域提议生成和特征重采样，并将所有阶段封装在单个网络中，形成真正的端到端检测系统。
3.TensorFlow
Tensorflow是一个免费的开源框架，用于创建算法以开发用户友好的图形框架，称为TensorFlow图形框架(TF-GraF)，用于对象检测API，广泛应用于农业、工程和医学领域的复杂任务的高效解决.TF-GraF为业余爱好者和初学者提供独立的虚拟环境来设计、训练和部署机器智能模型，而无需在客户端进行编码或命令行界面(CLI)。
TF-GraF支持SSD、Faster-RCNN、RFCN和Mask-RCNN的灵活模型选择，包括卷积神经网络（inceptions和ResNets）。TF-GraF负责设置和配置，允许任何人在他们的项目中使用深度学习技术，而无需安装复杂的软件和环境。
4.Libfacedetection
libfacedetection是一个用于图像中人脸检测的开源库。它为图像中基于CNN的人脸检测提供了预训练的卷积神经网络，使用户能够检测尺寸大于10×10像素的人脸。在C源文件中，CNN模型已转换为静态变量。源代码不依赖于任何其他库。您需要一个可以在Windows、Linux、ARM和任何平台下编译源代码的C++编译器。SIMD指令用于加速检测。如果您使用IntelCPU或NEONforARM，您可以启用AVX2。
5.RasterVision
RasterVision是一个开源Python框架，用于在卫星、航空和其他大型图像集（包括倾斜的无人机图像）上构建计算机视觉模型。它允许没有任何深度学习或机器学习工作流专业知识的用户快速重复配置实验，包括分析训练数据集、创建训练芯片、训练模型、创建预测、评估模型、捆绑模型文件和部署。
RasterVision内置支持使用PyTorch和Tensorflow进行芯片分类、对象检测和带有后端的语义分割。用户可以在内置支持使用AWSBatch在云中运行的CPU和GPU上执行实验。该框架还可以扩展到新的数据源、任务（例如，对象检测）、后端（例如，TF对象检测API）和云提供商。
6.SOD
SOD是一个嵌入式的、现代的跨平台计算机视觉和机器学习软件库。它公开了一组用于深度学习、高级媒体分析和处理的API，包括在计算资源和物联网设备有限的嵌入式系统上进行实时、多类对象检测和模型训练。
SOD旨在为计算机视觉应用程序提供通用基础架构，并加速机器感知在开源和商业产品中的使用。SOD专为提高计算效率而设计，重点关注实时应用，包括一套全面的经典和最先进的深度神经网络及其预训练模型。
7.Face_recognition
Face_recognition是世界上最简单的Python和命令行面部识别API。使用dlib60最先进的人脸识别技术构建深度学习，它可以从Python或命令行识别和操作人脸。该模型在Wild61基准中的LabeledFaces上的准确率为99.38%。它提供了一个简单的face_recognition命令行工具，可让您从命令行对图像文件夹进行人脸识别！
8.DeepFaceLab
DeepFaceLab是一个开源深度伪造系统，它利用机器学习在视频中进行照片般逼真的人脸交换。它提供了一个命令式且易于使用的管道，包括数据加载和处理、模型训练和后处理，供人们在不全面了解深度学习框架或不编写复杂样板代码的情况下创建深度伪造视频。这个最先进的框架提供了一个完整的命令行工具，其中包含管道的各个方面和功能，如傻瓜相机。值得注意的是，超过95%的深度伪造视频是使用DeepFaceLab创建的。
9.JeelizFaceFilter
JeelizFaceFilter是一个轻量级且强大的人脸跟踪库，专为增强现实人脸过滤器而设计。这个JavaScript库可以从使用WebRTC捕获的网络摄像头视频源中实时检测和跟踪人脸。用于为增强现实应用叠加3D内容，它可以支持Three.js、Babylon.js、FaceSwap、Canvas2D、CSS3D等各种集成，使开发人员能够直接从浏览器解决计算机视觉问题。关键功能包括人脸检测、人脸跟踪、人脸旋转检测、张口检测、多人脸检测与跟踪、具有高清视频能力的视频采集等。
10.OpenCV
OpenCV是一个开源计算机视觉和机器学习软件库，旨在为计算机视觉应用程序提供通用基础架构并加速机器感知在商业产品中的使用。获得BSD许可的产品OpenCV使企业可以轻松地使用和修改代码。该库拥有2500多种优化算法，包括一整套经典和最先进的计算机视觉和机器学习算法。
这些算法可用于检测和识别人脸、识别对象、对视频中的人类行为进行分类、跟踪摄像机运动、跟踪移动对象、提取对象的3D模型以及从立体摄像机生成3D点云。它可以将图像拼接在一起以生成整个场景的高分辨率图像，从图像数据库中查找相似图像，从使用闪光灯拍摄的图像中去除红眼，跟踪眼球运动，识别风景并建立标记以将其与增强现实叠加。
opencv团队介绍？
Opencv
Opencv是计算机视觉中经典的专用库，其支持多语言，跨平台，功能强大。Opencv-Python为Opencv提供了Python接口，使得使用者在Python中能够调用C/C++,在
保证易读性和运行效率的前提下，实现所需的功能。
Opencv是由**GrayBradsky**于1999年在英特尔创立，第一版于2000年问世。VadimPisarevsky加入GaryBradsky，一起管理因特尔的俄罗斯软件Opencv团队。
2005年，Opencv用于Stanley，该车赢得了2005年DARPA挑战赛的冠军。后来，在WillowGarage的支持下，它的积极发展得以继续，由GaryBradsky和VadimPisarevsky领导了该项目。Opencv现在支持与计算机视觉和机器学习有关的多种算法，并且正在日益扩展。
Opencv支持多种编程语言，例如C++,Python,Java等，并且可以再Windows,Linux,OSX,Android和IOS等不同平台上使用。基于CUDA和OpenCL的高速GPU操作的接口也在积极开发中。
Opencv-Python是用于Opencv的PythonAPI，结合了OpencvC++API和Python语言的最佳特性。
如何opencv编译2.4.9生成.exe？
Linux下运用opencv目录下自带的makefile可以自行编译生成dll，exewindows下找到opencv下for2008/2010的工程文件，直接在相应的vs下编译即可。