# opencv

**Repository Path**: tbearmonkey/opencv

## Basic Information

- **Project Name**: opencv
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-11-16
- **Last Updated**: 2024-11-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#  搭建环境

1. 安装python版本(3.9.6)
2. 安装pycharm软件(2024.3)
3. pycharm软件修改镜像源路径：pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
4. 添加opencv软件包：设置>项目>Python解释器>加号>opencv-python & opencv-contrib-python
5. 下载opencv-4.5.2-vc14_vc15.exe源码

# 关键函数说明

## CascadeClassifier()

> `CascadeClassifier` 是 OpenCV 中用于目标检测的类，它通常用于人脸检测、行人检测等任务，尤其是基于 **Haar特征**（Haar-like features）或 **LBP特征**（Local Binary Pattern）训练的级联分类器。`CascadeClassifier` 类封装了训练好的分类器，使得检测过程更加简便。

```
cv.CascadeClassifier('E:/OpenCV/Download/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')
```

> - OpenCV 提供了一些预训练的分类器，如用于人脸检测的 `haarcascade_frontalface_default.xml`、眼睛检测的 `haarcascade_eye.xml` 等。

## detectMultiScale()

> `detectMultiScale()` 是 OpenCV 中用于物体检测的函数，尤其常用于人脸检测、车牌识别等任务，通常与 **Haar级联分类器**（Haar Cascade Classifier）或 **LBP级联分类器**（Local Binary Pattern Cascade Classifier）一起使用。

```python
detectMultiScale(image, scaleFactor=1.1, minNeighbors=3, minSize=(30, 30), flags=0)
```

> 1. **image** (必需)：
>    - 输入的图像，通常是灰度图像。
>    - 如果输入的是彩色图像，必须先将其转换为灰度图像。
> 2. **scaleFactor** (可选，默认值：`1.1`)：
>    - 这个参数用于对图像进行尺度缩放。因为物体（如人脸）在不同的距离下看起来会有不同的大小，`scaleFactor` 允许我们对图像进行多次缩放，以便更好地检测不同尺度的目标。
>    - 一般来说，`scaleFactor` 越大，检测速度越快，但也可能漏掉一些小物体。通常值在 `1.1` 到 `1.4` 之间。
> 3. **minNeighbors** (可选，默认值：`3`)：
>    - 该参数用于指定检测物体时，至少需要多少个相邻的检测窗口才能认为一个区域是一个物体。这个值越大，检测结果越精确，但可能漏掉一些小的物体。通常取值为 3 到 6。
> 4. **minSize** (可选，默认值：`(30, 30)`)：
>    - 最小目标尺寸。只有大于该尺寸的物体才会被检测到。它是一个二元组 `(width, height)`，表示检测窗口的最小尺寸。可以根据实际需要调整，通常用于避免检测到太小的物体。
> 5. **flags** (可选，默认值：`0`)：
>    - 此参数为一些额外的标志，通常为零（即没有特殊设置）。可以用于调整检测过程中的一些其他细节。

## cap.read()

```
cap.read() 返回的是一个 元组，包含两个值：

ret (布尔值):
True 表示成功读取了一帧图像。
False 表示读取失败，可能是由于摄像头无法访问，或者没有更多帧可供读取。

frame (图像数组):
如果 ret 为 True，frame 是一个包含当前帧图像的 NumPy 数组（通常是一个形状为 (height, width, channels) 的数组，表示图像的像素数据）。
如果 ret 为 False，frame 可能是一个 None，表示没有成功读取图像。

cap = cv2.VideoCapture(0)  # 打开默认摄像头
ret, frame = cap.read()  # 读取一帧图像
```

## cv.waitKey()

```
cv.waitKey() 中的参数：
cv.waitKey(0)：表示无限等待，直到按下任意键才会继续执行代码。这在交互式应用中非常常见，但对于视频流来说，它会造成冻结的问题，因为它会一直等待键盘输入，不会继续读取视频帧，从而造成程序无法继续执行（冻结或卡住）。

cv.waitKey(1)：表示等待 1 毫秒后检查键盘输入并继续执行。如果没有按键输入，程序会继续执行，且可以刷新视频流。这样可以避免程序因等待输入而卡住。
```