高斯金字塔保存的是。

链式思维提示词是**提示工程（Prompt Engineering）**中最实用、最有效的逻辑强化技巧之一。它能让模型“像人一样思考”，在推理、分析、解释性任务中显著提高准确率。不要直接问模型答案，要教它“先想清楚，再回答”。通过在提示中添加一句：让我们来分步思考。你就能显著提升模型的逻辑推理能力与可靠性。

本文从嘴部几何特征出发，通过计算MAR（高宽比）与MJR（嘴宽比），实现了实时的“微笑”、“大笑”、“正常”表情识别，并扩展实现了“哭/悲伤”的检测。轻量级：无需深度学习模型；实时性强：CPU 即可流畅运行；可扩展性高：容易加入更多表情类型。这种基于几何分析的嘴部表情识别方法，虽然精度略低于深度神经网络，但在嵌入式设备、实时监控、教学分析等场景中具备极高的实用价值。✅完整检测公式汇总参数定义功能M

该系统通过摄像头实时捕捉视频流，将图像从BGR空间转换为HSV空间，并通过设定阈值对指定颜色区域进行提取与显示，从而实现实时的颜色识别与可视化效果。与RGB不同，HSV将颜色和亮度分离，这意味着在光照变化的情况下，Hue与Saturation部分仍然保持较稳定的值，使得颜色检测更加稳健。例如，棕色、绿色等颜色在不同光照下RGB值变化明显，但HSV的Hue值变化范围较小，这使得检测更可靠。函数，可计

MediaPipe是 Google Research 开源的跨平台机器学习推理与可视化框架，支持多种实时检测任务，例如：人脸检测与表情分析；手部检测与姿势追踪；全身骨骼姿态识别；物体检测与分割。在本例中，我们使用的是模块，用于检测手部的 21 个关键点并进行可视化绘制。通过本文的实战讲解，我们了解了如何利用模块结合OpenCV实现实时手部关键点检测与可视化。该方法无需手动训练模型，几行代码即可完成

角点检测是特征提取的重要步骤，常用于目标跟踪、特征匹配和 3D 重建。若追求稳定性 → Shi-Tomasi若需要速度 → FAST若进行特征描述 → 通常与 SIFT、ORB 等结合使用。

指令型提示词让模型从“对话式助手”变成“任务执行者”。结合合理的参数控制、结构化输出与明确约束，可以实现：精准可控的生成结果；结构化数据接口；高鲁棒性与可复现性。未来的提示工程趋势，也正在从“写一句话”走向“编写指令集”。当提示词具备了程序化逻辑，模型调用就不仅是“问答”，而是“任务执行”。指令型提示词的核心，是把自然语言变成机器可执行的“微命令”。当提示足够明确，模型就能像程序一样精准执行。

图像预处理：缩放、旋转、灰度化边缘检测：Canny 算法轮廓提取：寻找最大面积目标掩模应用：提取目标并保存这种方法不仅适用于风扇图片，也可以应用于其他物体提取，如分割零件、裁剪证件照、检测物品轮廓等。

在与大语言模型（LLM, Large Language Model）交互时，我们给模型的文字输入就叫做提示词（Prompt）。Prompt 不仅仅是“输入一句话”，而是一种引导模型思维的工程技术。它的作用是告诉模型：你是谁（角色）你要干什么（任务）你要怎么干（步骤）你要输出成什么样（格式）提示词不是简单的输入，而是一种思维设计。优秀的提示词能让同一个模型表现出完全不同的能力。当我们理解提示的层级、

mat_src：原始图像中的三个参考点；mat_dst：目标图像中这三个点的新位置。仿射矩阵由这三组对应关系自动计算。仿射变换是图像几何变换中最常用的技术之一，兼具数学的优雅与工程实用性。它通过三点对应法求出变换矩阵，实现平移、旋转、缩放、剪切等多种操作，同时保持图像的几何直线关系。用于计算仿射矩阵；用于执行变换。通过理解其数学原理与参数意义，我们可以更灵活地控制图像几何结构，实现从视觉校正到数据