opencv

AI的探索之旅

97 个 OpenCV 实例（三十）：双目立体，从标定到点云上一篇在三目标定里踩了个大坑——我当时判定「官方示例把重投影误差二次归一化了」。这篇文章开头第一件事，就是把这个判定撤回来。然后我们进入双目：两台相机怎么标定、怎么校正、怎么从视差算出深度。

OpenCV学习：CNN 人脸检测前言：前面几篇我们学习了 dlib 的 HOG 人脸检测器、68 个关键点检测、轮廓绘制、表情识别，以及疲劳检测。这些内容全部基于 dlib 的 HOG 检测器。本篇我们再来认识 dlib 的另一种人脸检测器——CNN 人脸检测器。它使用卷积神经网络（Convolutional Neural Network）替代传统的 HOG 特征，对小脸、侧脸、遮挡人脸的检测效果更好，准确率更高，是 dlib 中精度最高的人脸检测方案。

OpenCV中的疲劳检测这是一个基于 dlib 人脸 68 关键点和眼睛纵横比 EAR 的实时疲劳检测程序。整体思路是：用摄像头读取视频帧，检测人脸，定位眼睛关键点，计算眼睛睁开程度；如果连续多帧眼睛闭合，就认为可能疲劳并给出警告。

宿州派大星

【Python实战】：基于 OpenCV + dlib 的传统换脸术原理与实战一、环境准备与素材要求二、核心原理拆解与代码解析1. 人脸检测与 68 点关键点提取2. 生成面部掩膜（Mask）

陈年老古董

MediaPipe 姿态检测与脸部关键点检测先导入要用的库：然后进主入口：里面先是一段注释，讲 mp_pose.Pose() 的参数：这一段是在说，static_image_mode 决定处理静态图还是视频，model_complexity 是模型复杂度，0 最快但精度最低，2 最慢但精度最高，1 居中。smooth_landmarks 是平滑关键点，enable_segmentation 是抠图，后面两个是检测和追踪的可信度阈值。

DFT到FFT的推导

别动我齐刘海

ROS2 Jazzy + C++ 实战路线——ros2_control继“ROS2 Jazzy + C++ 实战路线——进阶学习3”继续学习核心架构：ros2_control 是你从“会 ROS2”走向“机器人控制系统工程”的关键一步。

al+大数据每日学习笔记412026年9月21日在计算机视觉落地项目中，目标检测、关键点检测、姿态检测、人脸专项检测、行为状态检测是最常用、最高频的五大技术方向。本文将系统性梳理CV主流检测知识点，涵盖手部检测、手势识别、人体姿态检测、人脸关键点检测、疲劳检测、基础人脸检测等核心任务，每个模块配套极简可运行核心代码，零基础可直接上手，适合学习、项目复用与毕设参考。

江畔柳前堤

字节跳动·大模型应用知识手册岗位：校园招聘 - 大模型应用（商业化基模 & Agent 方向）- 内容质量与数据服务平台办公地点：北京市朝阳区时尚·万科中心（朝阳北路 152 号院，东四环红领巾桥，5A 甲级写字楼）业务归属：抖音集团「内容质量与数据服务平台（CQC）」× 字节商业化「巨量引擎 · 商业信任与安全」——用大模型保障广告 / 生服 / 电商的商业内容安全与合规序列：运营序列（做算法的事、要业务的结果） Leader 关注点：懂 Agent、懂后训练、有创新能力；纯技术画像，产品向不 OK 团队形态：模型中台，对

初识OpenCV——Dlib CNN人脸检测在之前的博客中，我们学习了Dlib的HOG人脸检测器。HOG检测器基于方向梯度直方图特征，检测速度快，对正面人脸效果不错。但它也有一些局限：对侧脸、遮挡、小尺寸人脸检测效果一般。

【计算机视觉入门】基于 dlib 与 OpenCV 的三大案例：人脸检测、年龄性别预测与疲劳检测三个案例均基于 Python 3，主要依赖以下库：说明：dlib 在 Windows 上直接 pip install 可能失败，推荐直接下载对应 Python 版本的预编译 wheel 文件离线安装（可在 GitHub 的 dlib releases 或 pyradiomics 的 wheel 仓库找到对应 cp3x + win_amd64 的预编译包）。

OpenCV中的表情识别本次是一个基于dlib68点人脸关键点的简单表情识别程序。它从视频中逐帧读取画面，检测人脸，提取嘴部、脸颊、下巴等关键点，计算三个几何比例特征，再通过阈值判断表情：正常、大笑、哭泣、微笑，最后在嘴部画凸包并显示中文标签。

爱吃火鸡面呀

基于 dlib 与 OpenCV 的人脸换脸实战：从关键点检测到无缝融合人脸换脸（Face Swap）是计算机视觉领域中最具趣味性和挑战性的应用之一。它通过检测人脸关键点、计算仿射变换矩阵、调整颜色分布并融合图像，将一张人脸自然地“移植”到另一张图像上。本文基于 dlib 的 68 点人脸关键点检测器和 OpenCV 的图像处理能力，从零实现一个完整的换脸流程。

爱吃火鸡面呀

MediaPipe 人体姿态估计与面部网格实战：从关键点检测到实时绘制MediaPipe 是 Google 开源的跨平台机器学习解决方案框架，内置了人体姿态估计、面部网格、手势识别等多项能力。本文基于两段可运行的 Python 代码，分别演示如何利用 MediaPipe 完成人体姿态关键点检测和面部 468 点网格实时绘制，并逐行讲解核心参数与实现细节，帮助读者快速上手并理解背后的原理。

【计算机视觉入门】OpenCV + MediaPipe + dlib：从仿射变换到换脸、手势、姿态与人脸网格建议使用 Python 3.8+，安装以下依赖：说明：在计算机视觉里，图像的本质就是数字矩阵：OpenCV 默认使用 BGR 通道顺序（蓝、绿、红），而很多其他库（如 matplotlib、MediaPipe）使用 RGB 顺序，混用时需用 cv2.cvtColor 转换。

初识OpenCV——疲劳检测在上一篇博客中，我们学习了Dlib的人脸关键点定位与表情识别技术。今天，我们将把这些技术应用到一个极具现实意义的场景——疲劳检测。

C# 基于OpenCv的视觉工作流-章108-区域筛选C# 基于OpenCv的视觉工作流-章108-区域筛选本章目标：一、筛选；二、宽截图；三、抠图；在缺陷检测中，要对识别出的缺陷进行打标识，方便后续人工返修处理。如果进行零件全身无死角检测，由于零件结构复杂性，某些部位难免出现复检，造成重复打标；另外，如果打标机构不够灵活，未能实现指哪打哪的精准打标时，当缺陷出现在打标范围之外，就会造成打标失准；再有，零件自身会反光，有时会出现不属于检测范围的额外反光区域，也影响打标。为了提高打标的准确性，可以先对干扰区域进行筛选去除，再丢给模型识别。

753K 参数打赢 SwinIR：CRAFT 用「高频先验」给 Transformer 超分查漏补缺歪心公众皓：超分辨率重建作者先用一组"挖频谱"实验实锤了 Transformer 超分的软肋——擅长低频、不擅长高频；然后让 CNN 分支提取高频信息当"先验"，通过跨注意力去精修 Transformer 的全局表征。753K 参数的 CRAFT 在 Manga109 ×4 上比 SwinIR-light 高 0.26 dB，FLOPs、显存、耗时全面更低。

AI的探索之旅

97 个 OpenCV 实例（二十九）：三相机联合标定，把三只眼睛绑在一起上一篇我们用 13 张棋盘格图片，解出了单台相机的内参和畸变系数。但工业现场很少只装一台相机——左中右三台同时拍，才是常见的配置。问题来了：三台相机各自的“内心世界”知道了，可它们之间的相对位置关系怎么求？这一篇就解决这件事。顺手还挖出一个官方示例藏了很久的坑，看完你会发现——你以为的 0.03 像素精度，其实是 0.32 像素。

【WPF-VisionMaster】机器视觉通用平台V5.0版本发行说明System.Windows.Controls 命名空间 | Microsoft Learn控件库 - WPF .NET Framework | Microsoft Learn