收集至少 5~10 张/人的多光照、多表情照片（LBPH 少量也能用）。用级联/关键点检测裁切并对齐人脸，转为灰度并统一尺寸（如 200×200）。做直方图均衡或其他归一化。按目录加载数据，构建。选择识别器（LBPH/Eigen/Fisher），进行train()。使用验证集调参并设定confidence阈值。save()模型与 label 映射。部署时read()模型，并在实时流中检测 -> 预

该类通过文本文件（如train2.txt）加载图片路径和标签。使用交叉熵损失函数处理多分类任务，优化器为Adam。模块作用特点ResNet18特征提取主干使用 ImageNet 预训练权重Dataset读取图片与标签支持 transform 自动增强DataLoader批量化输入shuffle 提升训练效果train()前向传播与反向传播更新梯度Test()模型评估计算平均损失与准确率学习率调整自

颜色识别的关键在于颜色空间的选择与阈值判定。人类的颜色感知主要由色调（Hue）、饱和度（Saturation）与亮度（Value）决定。OpenCV 默认读取的图像为BGR（蓝绿红）模式，但这种模式不利于分离颜色信息，因此通常将其转换为HSV 颜色空间。H（Hue）色调表示颜色的种类（0~180，对应红、橙、黄、绿、青、蓝、紫等色带）。S（Saturation）饱和度表示颜色的纯度，越高颜色越鲜艳

分类问题中，默认的0.5阈值并不是“黄金标准”。针对具体业务目标（是否强调召回率/精确率），我们可以：自定义分类阈值，寻找最佳的性能平衡点；深度解读 Precision、Recall、F1-score，避免被“Accuracy”误导；借助混淆矩阵，全景化理解模型的预测行为；结合快速输出各类指标。

眼睛纵横比（EAR）由Soukupová 和 Čech 提出，基于眼睛的 6 个关键点位置计算。EAR 的优点在于：计算量小、对头部轻微转动具有鲁棒性、实时性好。其计算公式为：其中 p1~p6 为眼睛轮廓的 6 个关键点（见文中代码注释）。当眼睛闭合时，EAR 会显著下降；通过对连续帧的 EAR 设阈值与持续帧数，可以区分瞬时眨眼与真正的闭眼（疲劳/打瞌睡）。基于 EAR 的疲劳检测是一条工程上可

直方图是分析图像亮度分布的重要工具，而直方图均衡化能够有效提升图像对比度。全局均衡化简单高效，但可能会损失局部细节；自适应直方图均衡化（CLAHE）通过分块处理，可以更好地保留局部细节，增强效果更自然。通过本文及代码演示，可以直观理解直方图均衡化的原理与实际效果，掌握其在图像增强中的应用。要不要我帮你画一张示意图，展示直方图均衡化前后灰度分布的变化（比如用两张直方图对比）？这样文章会更直观。

贝叶斯分类器基于贝叶斯定理其中：P(A∣B)：在 B 发生的情况下 A 发生的概率（后验概率）P(B∣A)：在 A 发生的情况下 B 发生的概率（似然）P(A)：事件 A 的概率（先验概率）P(B)：事件 B 的概率（边缘概率）鸢尾花数据集是机器学习中的经典数据集，包含 150 条数据，分为三类鸢尾花（Setosa、Versicolor、Virginica），每条数据有四个特征：萼片长度（sepa

原理：深度学习——详细教学：神经元、神经网络、感知机、激活函数、损失函数、优化算法（梯度下降）-CSDN博客。

图像风格迁移（Neural Style Transfer）是计算机视觉中非常有趣的一个应用，它能够将一张图像的风格“迁移”到另一张图像上，比如把摄像头捕获的视频实时转换为梵高的《星空》风格。本篇文章将通过 OpenCV 的dnn模块和预训练的 Torch 模型，来实现。

线性回归是回归分析的入门基础；使用可以快速构建模型；可以可视化预测结果和分析模型性能；推荐在实际应用中注重数据预处理、特征选择与残差分析。