😏★,°:.☆(￣▽￣)/$:.°★ 😏
这篇文章主要介绍OpenCV库基本应用。
学其所用，用其所学。——梁启超
欢迎来到我的博客，一起学习，共同进步。
喜欢的朋友可以关注一下，下次更新不迷路🥞

😏1. opencv-python介绍

OpenCV（Open Source Computer Vision Library）是一个广泛使用的开源计算机视觉库，它提供了用于处理图像和视频的各种功能和算法。以下是一些常见的功能和应用：

1.图像和视频的读取和写入：OpenCV 可以读取和写入各种图像和视频格式，包括常见的 JPEG、PNG、BMP 和视频文件。

2.图像处理和操作：OpenCV 提供了许多图像处理和操作功能，如调整大小、裁剪、旋转、翻转、平移、滤波、边缘检测、直方图均衡化等。

3.特征检测和描述：OpenCV 提供各种特征检测和描述算法，包括关键点检测（如 Harris 角点检测、FAST 特征检测等）、特征描述（如 SIFT、SURF、ORB、BRISK 算法等）和特征匹配。

4.目标检测和跟踪：OpenCV 支持多种目标检测和跟踪算法，如 Haar 特征分类器、HOG+SVM、深度学习框架（如 TensorFlow、PyTorch）集成等。

5.图像分割和轮廓提取：OpenCV 提供了各种图像分割算法，如基于阈值的方法、基于边缘的方法（如 Canny 边缘检测）以及更高级的分割算法（如 GrabCut、分水岭算法等）。

6.相机标定和几何校正：OpenCV 支持相机标定和几何校正，帮助消除图像中的畸变，并恢复真实世界中的几何信息。

7.计算机视觉应用：OpenCV 在计算机视觉领域有广泛的应用，包括人脸检测和识别、目标跟踪、图像拼接、图像增强、实时图像处理、虚拟和增强现实等。

OpenCV 支持多种编程语言，包括 C++、Python、Java 等。在 Python 中使用 OpenCV，可以通过安装相应的 Python 包 opencv-python 来使用。

😊2. 环境安装与配置

pip包安装比较简单，用 pip install opencv-python 即可，但有时因为版本的不同，安装会出错，我的错误是：

ERROR: Could not find a version that satisfies the requirement opencv-python (from versions: none)
ERROR: No matching distribution found for opencv-python

然后是通过下载离线的whl文件安装可以，whl包地址：https://pypi.tuna.tsinghua.edu.cn/simple/opencv-python/

然后安装：pip install xxx.whl

最后说一句，python的生态很强，封装的库太好用了，若是配c++的opencv环境，得麻烦10倍。

😆3. 应用示例

人脸识别示例：

import cv2

# 加载人脸识别的模型文件
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取摄像头帧
    ret, frame = cap.read()

    # 将帧转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 在灰度图像上进行人脸检测
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

    # 在检测到的每个人脸周围画一个矩形框
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 3)

    # 显示结果帧
    cv2.imshow('Face Detection', frame)

    # 按下 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

眼动检测：

import cv2

# 加载眼睛检测器
# xml下载：https://github.com/anaustinbeing/haar-cascade-files/blob/master/haarcascade_eye.xml
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

# 打开摄像头
cap = cv2.VideoCapture(0)

# 定义用于跟踪眼睛位置的变量
prev_eye_x = 0
prev_eye_y = 0

while True:
    # 从摄像头捕获视频帧
    ret, frame = cap.read()

    # 将图像转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 检测眼睛
    eyes = eye_cascade.detectMultiScale(gray, 1.3, 5)

    # 遍历检测到的眼睛
    for (x, y, w, h) in eyes:
        # 绘制矩形框显示眼睛位置
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        # 计算眼睛的中心坐标
        eye_x = x + w // 2
        eye_y = y + h // 2

        # 计算眼睛的运动
        eye_dx = eye_x - prev_eye_x
        eye_dy = eye_y - prev_eye_y

        # 更新之前的眼睛位置
        prev_eye_x = eye_x
        prev_eye_y = eye_y

        # 在图像上绘制眼睛运动向量
        cv2.arrowedLine(frame, (eye_x, eye_y), (eye_x + eye_dx, eye_y + eye_dy), (0, 0, 255), 2)

    # 显示视频帧
    cv2.imshow('Eye Tracking', frame)

    # 按下 "q" 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

yolo目标检测示例：

import cv2

# 加载目标检测器
net = cv2.dnn.readNetFromDarknet("yolov3.cfg", "yolov3.weights")  # 替换为实际的模型和权重文件路径
layers_names = net.getLayerNames()
output_layers = [layers_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 加载图像
image = cv2.imread("image.jpg")  # 替换为实际的图像文件路径

# 对图像进行预处理
blob = cv2.dnn.blobFromImage(image, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)

# 解析输出并绘制边界框
class_ids = []
confidences = []
boxes = []
width = image.shape[1]
height = image.shape[0]

for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:  # 设置置信度阈值
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)

            boxes.append([x, y, w, h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)  # 设置非最大抑制阈值

font = cv2.FONT_HERSHEY_SIMPLEX
for i in range(len(boxes)):
    if i in indexes:
        x, y, w, h = boxes[i]
        label = str(class_ids[i])
        confidence = confidences[i]
        color = (0, 0, 255)
        cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)
        cv2.putText(image, label, (x, y - 10), font, 0.5, color, 2)

# 显示结果图像
cv2.imshow("Object Detection", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上。