在计算机视觉学习路径里，OpenCV几乎是最常用也最容易被低估的库。很多人只是用它读图片、转灰度、画个框，就以为“会了”。但真正等到面试或做企业项目时，难点往往落在信用卡号识别、文档扫描矫正、疲劳检测、目标追踪这些具体场景上。这里就以一套从零基础到12个企业级项目的 OpenCV 实战为主线，把安装环境、核心算法、项目拆解、运行验证、常见排错和简历写法串起来。读完以后，你可以按这条路线从零搭建一套可复现的学习项目，而不是只记住几个 API 调用。
整体路线并不复杂：先用基础图像处理打底，再用静态图像项目巩固轮廓和透视变换，接着进入人脸关键点与时序判断，最后才做视频目标追踪。下面按学习顺序展开。
1. 从零基础到企业级项目，先搞懂这条学习路线为什么有效
1.1 12个项目不是堆数量，而是一条技能递进路线
零基础学 OpenCV 最忌讳上来就找代码，跑通一个项目就换下一个。标题里的“从零基础到 12 个企业级项目”看起来像课程营销，但背后其实是一套合理的递进结构：先掌握图像读写、颜色空间转换、滤波、形态学、边缘检测等基础操作；再用信用卡识别和文档扫描这类静态图像项目巩固轮廓与透视变换；接着进入人脸检测、疲劳检测等需要模型和时序判断的项目；最后才到目标追踪这类视频分析任务。顺序一旦颠倒，后面每一步都会卡住。
比如不理解轮廓的层级关系，就很难在信用卡识别时区分“整张卡片的轮廓”和“数字分组的轮廓”。不理解透视变换，文档扫描项目就会卡在如何把倾斜拍摄的纸面矫正成正视图。所以这里的 12 个项目不是并列的，而是分阶段递进的。
1.2 每个项目对应哪些OpenCV核心能力
12 个项目中反复出现的高频能力其实不超过 10 种。以标题点名的 4 个为例，可以这样对应：
| 项目 | 核心 OpenCV 能力 | 配套知识点 |
|---|---|---|
| 信用卡识别 | 模板匹配、轮廓提取、数字分割 | 形态学操作、轮廓排序、ROI 提取 |
| 文档扫描 | 边缘检测、轮廓排序、透视变换 | 图像金字塔、坐标变换、文档二值化 |
| 疲劳检测 | 人脸检测、关键点定位、EAR 计算 | 阈值判断、连续帧状态机 |
| 目标追踪 | 目标检测、跟踪器选择、IOU 匹配 | 视频帧处理、ROI 更新、遮挡处理 |
把每类项目对应的核心能力拆出来，就能发现重复训练的知识点。实际学习时，建议每完成一个项目写一份小结，记录它使用了哪些 API、哪些 API 是核心、哪些只是辅助。否则做完全部项目后，脑海里只剩一堆零散函数，无法形成知识体系。
1.3 学完能写到简历里的能力边界
“12 个项目”不是写上去就有用，关键是能讲清楚每个项目的输入、处理流程、输出和验收指标。比如信用卡识别项目，要能说出数据集格式、模板如何制作、识别精度如何、哪些卡号会失败。文档扫描项目，要能解释为什么用边缘检测而不是直接二值化。疲劳检测项目，要能说明为什么用眼睛纵横比而不是直接判断眼睛是否闭合。目标追踪项目，要能解释为什么目标遮挡时会跟丢，以及如何用检测器重新初始化。
这些具体问题才是面试时真正被问到的内容。能复现代码只能说明动手能力强，能把失败案例讲清楚才能体现工程判断力。
2. 环境准备：Python、Anaconda、C++版本怎么选
2.1 最快跑通：Anaconda + Python 安装OpenCV
学习阶段建议优先选择 Python 版本，因为 OpenCV 的 Python 绑定成熟，调试速度快，社区示例也多。先安装 Anaconda，打开 Anaconda Prompt 或终端，创建一个独立虚拟环境，避免把 OpenCV 装进 base 环境后与其它包冲突。常见安装命令如下：
conda create -n opencv-project python=3.9 -y conda activate opencv-project pip install opencv-python opencv-contrib-python pip install numpy matplotlib这里安装两个包的原因：opencv-python是基础模块，opencv-contrib-python包含扩展模块，比如目标追踪里的部分跟踪器、文本检测等功能。生产环境如果不需要扩展模块，可以只装基础包来减小体积。安装完成后，执行以下代码验证：
import cv2 print(cv2.__version__)如果输出类似4.10.0的版本号，说明安装成功。这里要提醒，OpenCV 版本号会随官方更新变化，落地项目前先记录实际版本，因为不同版本的接口有差异，后面排错时会经常用到版本信息。
2.2 C++版本如何配置（VS + vcpkg/CMake示例）
热点词里有很多 C++ 版 OpenCV 的检索，比如cv::fillPoly、cv::findContours、drawContour的问题。C++ 版本适合性能要求高、需要嵌入式部署或已有 C++ 代码库的场景。
常见配置方式有三种：第一种是官网下载预编译库，然后在 Visual Studio 里配置包含目录、库目录和附加依赖项；第二种是用 vcpkg 安装；第三种是用 CMake 构建自己的 OpenCV。用 vcpkg 安装的示例：
vcpkg install opencv4:x64-windows然后在 CMakeLists.txt 中引用：
cmake_minimum_required(VERSION 3.10) project(opencv_demo) find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) add_executable(demo main.cpp) target_link_libraries(demo ${OpenCV_LIBS})C++ 项目里最常见的错误是头文件能找到，但链接时报LNK2019，通常是附加依赖项没有包含opencv_world410.lib这类库文件，或者 Debug 和 Release 配置混用。后面排查部分会继续展开。
2.3 安装后必须做的三件事：版本验证、路径确认、样例运行
安装完 OpenCV 后不要直接开始写项目，先做三件事隔离环境问题。
第一，在 Python 里打印版本号、模块路径和关键函数对象是否可用：
import cv2, numpy print(cv2.__version__) print(cv2.__file__) print(hasattr(cv2, 'findContours'))第二，读取一张本地图片并显示：
img = cv2.imread("test.jpg") if img is None: print("图片读取失败，请检查路径") else: cv2.imshow("test", img) cv2.waitKey(0) cv2.destroyAllWindows()第三，打开摄像头测试视频通道：
cap = cv2.VideoCapture(0) if not cap.isOpened(): print("摄像头未打开") else: ret, frame = cap.read() if ret: print("摄像头工作正常") cap.release()这三步分别验证了导入、文件读写和视频捕获能力，能把环境问题从项目代码问题中隔离开。如果读图失败，优先检查路径是否包含中文字符或相对路径定位错误；如果摄像头打不开，先检查设备编号，再检查是否有其它应用占用了摄像头。
2.4 安装阶段常见错误和排查
安装阶段最常见的错误是ModuleNotFoundError: No module named 'opencv'。这个错误的原因通常是安装的是opencv-python，但导入写成了import opencv，正确写法是import cv2。另一种情况是使用了错误的虚拟环境：终端里虽然激活了环境，但解释器仍指向系统 Python。排查时可以运行which python或python -c "import sys; print(sys.executable)"确认解释器路径。
| 问题现象 | 常见原因 | 检查方式 | 处理建议 |
|---|---|---|---|
| No module named 'opencv' | 导入模块名写错 | 确认代码中是import cv2 | 改成import cv2 |
| 版本不一致 | 多个环境混用 | 打印sys.executable和cv2.__version__ | 统一使用虚拟环境 |
| 视频打不开 | 缺少编码库或设备占用 | 查看cap.isOpened()返回 | 换视频文件测试，更换后端 |
| 界面无法显示 | 缺少 GUI 支持 | 检查cv2.imshow是否报错 | 改用cv2.imwrite输出调试 |
3. 四类核心技术，覆盖12个项目的底层逻辑
3.1 图像预处理：灰度、二值化、形态学
几乎所有 OpenCV 项目都以预处理开头。原因很简单：摄像头或数据集拿到的原始图片受光照、噪声、背景干扰影响很大，直接做检测会非常不稳定。
预处理的第一步通常是灰度化，用cv2.cvtColor把 BGR 转为灰度图；然后根据场景做高斯模糊，用cv2.GaussianBlur去除高频噪声；再通过阈值或边缘检测得到二值图。二值化时有两个选择：固定阈值cv2.threshold和自适应阈值cv2.adaptiveThreshold。固定阈值适合光照均匀的模板环境，自适应阈值适合银行卡、纸质文档这类光照不均匀的图片。
形态学操作里，cv2.erode、cv2.dilate、cv2.morphologyEx常用于去除毛刺、连接断裂区域。信用卡识别中，为了让数字区域连成矩形色块，通常先用大尺寸核做闭运算，再查找轮廓。这一步的目的不是直接看到数字，而是先找到数字所在的分组区域。判断预处理是否合理，最简单的方法是边走边把中间结果都显示出来，而不是等到最终识别失败再怀疑预处理参数。
3.2 轮廓分析：findContours与数字/物体定位
极高频出现的cv2.findContours是 OpenCV 图像处理中绕不开的函数。它的作用是提取二值图中的连通区域边界，返回轮廓点集和层级关系。使用时要特别注意 OpenCV 版本差异：在 OpenCV 3 和 4 中，findContours返回两个值，即contours和hierarchy；而 OpenCV 2 返回三个值。如果不注意，用旧的写法可能会报错或者得到异常结果。常见写法如下：
contours, hierarchy = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )RETR_EXTERNAL只取最外层轮廓，适合数字分组；RETR_TREE会返回嵌套层级，适合需要区分内外边缘的场景。CHAIN_APPROX_SIMPLE压缩轮廓点，只保留端点，能减少内存占用。
提取轮廓后，一般用cv2.contourArea和cv2.boundingRect过滤面积过小或形状不规则的区域，而不是把所有轮廓都当成目标。比如信用卡识别中，卡号区域的长宽比通常明显大于其它文字区域，可以用这个特征过滤干扰项。
3.3 人脸检测与关键点：Haar、DNN、疲劳检测原理
疲劳检测的核心不是“判断一张脸”，而是“判断眼睛是否闭合”。最常用的方法是先用人脸检测器定位人脸，再用关键点模型找到眼睛周围的 6 个关键点，最后计算眼睛纵横比 EAR（Eye Aspect Ratio）。EAR 的计算可以用一段代码演示：
import math def dist(p1, p2): return math.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2) def eye_aspect_ratio(eye): A = dist(eye[1], eye[5]) B = dist(eye[2], eye[4]) C = dist(eye[0], eye[3]) ear = (A + B) / (2.0 * C) return eardist是两点欧氏距离。当眼睛睁开时，EAR 通常稳定在 0.25 以上；闭合时会明显下降到阈值以下。只用单帧 EAR 判断很容易误报，因为抬头、低头、闭眼瞬间都会有波动。所以真正的项目要加一个状态机：连续 N 帧 EAR 低于阈值才判定为闭眼或疲劳。
这个“连续帧”的设计是为了过滤突发噪声，是企业级项目的关键细节。疲劳驾驶场景中，还要结合时间窗口统计闭眼总时长，因为眨眼和长时间闭眼在安全意义上完全不同。
3.4 目标追踪：帧差、光流、跟踪器选择
目标追踪和每一帧单独做目标检测是两条不同的路径。目标检测每帧重新识别，耗时高；目标追踪是在第一帧或某帧确定目标位置后，后续帧只做局部匹配。OpenCV 中cv2.TrackerKCF_create、cv2.TrackerCSRT_create等跟踪器需要先安装扩展模块才能使用。使用时先选定 ROI，然后调用初始化方法：
tracker = cv2.TrackerCSRT_create() bbox = (x, y, w, h) tracker.init(frame, bbox) ok, bbox = tracker.update(frame)这里要注意update返回两个值：是否成功以及新的边界框。如果目标被遮挡太久，跟踪器会跟丢，常见解决方式是用检测器周期性重新检测目标，再把检测框交给跟踪器，这就是“检测加跟踪”的混合策略。无人机追踪目标仿真等场景通常也用类似策略：检测器负责找回目标，跟踪器负责帧间平滑。
4. 企业级项目拆解：信用卡识别、文档扫描、疲劳检测、目标追踪
4.1 信用卡识别：模板匹配 + 数字轮廓
信用卡识别是很好的综合练习，原因是它把模板工程、轮廓提取、数字分割、匹配识别串在一起。项目输入是一张信用卡图片和一张数字模板图。
处理流程如下：先对模板做灰度化、二值化，用findContours提取 0 到 9 的数字轮廓，再按左上角坐标排序，建立数字到模板的映射。对信用卡图片，先用形态学闭运算把数字区域连成色块，根据轮廓面积和长宽比过滤出卡号区域，再按轮廓的边界框切出每一组卡号。最后用模板匹配或轮廓相似度对每个数字分类。
模板匹配选择方法时，推荐用cv2.matchTemplate而不是直接比对轮廓面积。因为真实卡号的字体大小、位置会和模板不一致，需要把每个候选数字归一化到和模板相近的尺寸后再匹配。以下代码展示了模板数字 ROI 的处理思路：
# 假设 ref_gray 是模板灰度图 _, ref = cv2.threshold(ref_gray, 10, 255, cv2.THRESH_BINARY_INV) ref_contours, _ = cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) ref_digits = {} for c in ref_contours: (x, y, w, h) = cv2.boundingRect(c) roi = ref[y:y+h, x:x+w] roi = cv2.resize(roi, (57, 88)) ref_digits[y] = roi # 用 y 排序后得到数字 0-9 的映射实际项目中还要处理模板轮廓位置排序，不能直接用字典 y 当作键，应该先排好序再建立列表。上面的简化代码只用于说明方向。
4.2 文档扫描：边缘检测 + 透视变换
文档扫描项目的目标是把拍摄到的纸张区域矫正为正面视图。核心是找到文档的四个角点，再做透视变换。
常见步骤是：对图片做灰度化、高斯模糊、Canny 边缘检测；用findContours找到面积最大的四边形轮廓；用approxPolyDP把轮廓近似成 4 个点；然后通过顺序排列的 4 个角点，用cv2.getPerspectiveTransform和cv2.warpPerspective得到矫正图。核心代码结构如下：
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) edges = cv2.Canny(blur, 50, 150) contours, _ = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) doc = max(contours, key=cv2.contourArea) for eps in [0.02, 0.03, 0.05]: approx = cv2.approxPolyDP(doc, eps * cv2.arcLength(doc, True), True) if len(approx) == 4: break实际项目中，文档背景和桌面差异小时，面积最大轮廓可能不是文档，因此要加入长宽比和凸性检查。最容易被忽略的一点是四个点的顺序必须一致。getPerspectiveTransform要求输入顺序匹配，比如左上、右上、右下、左下，输出坐标也是相同的顺序。如果不做排序，矫正结果可能会出现翻转或扭曲。
这里最难理解的是为什么需要透视变换。普通拍照时，摄像头和文档表面不一定平行，近大远小会导致文字变形。getPerspectiveTransform能根据 4 个点在两个平面间的对应关系，计算出一个 3x3 矩阵，把变形图像映射到正面矩形。这个思路也可以用于答题卡识别、票据矫正。
4.3 疲劳检测：眨眼检测的EAR计算
疲劳检测项目的完整流程包括人脸检测、人脸关键点检测、EAR 计算、持续帧判断。可以先用 OpenCV 自带的 Haar 级联检测人脸，再使用 dlib 或 OpenCV DNN 加载关键点模型。
学习阶段为降低复杂度，可以先在静态图片上画出眼睛关键点，确认 EAR 数值范围，再接入视频。代码示例里，EAR 低于 0.2，并且连续 3 帧满足条件时，计数一次闭眼；如果一段时间内闭眼次数超限，则提示疲劳。主循环可以这样写：
EAR_THRESH = 0.2 CONSEC_FRAMES = 3 frame_counter = 0 blink_total = 0 while True: ret, frame = cap.read() if not ret: break face = detect_face(frame) if face is None: frame_counter = 0 continue left_eye, right_eye = get_eye_landmarks(frame, face) ear = (eye_aspect_ratio(left_eye) + eye_aspect_ratio(right_eye)) / 2.0 if ear < EAR_THRESH: frame_counter += 1 else: if frame_counter >= CONSEC_FRAMES: blink_total += 1 frame_counter = 0这个项目需要区分“闭眼”和“眨眼”：眨眼是短暂快速变化，疲劳驾驶特征则是闭眼时间明显变长。单纯频率计数还不够，要记录闭眼持续时间。检测到长时间闭眼时，还可以用语音提示或者写入日志，形成完整告警链路。
4.4 目标追踪：跟踪器与多目标处理
目标追踪项目的第一个版本可以只追踪单个目标：用鼠标框选 ROI，然后用TrackerKCF或TrackerCSRT更新位置。第二个版本可以加入检测器，每隔 30 帧重新检测一次，用 IOU 把检测框和跟踪框匹配起来。第三个版本才是多目标追踪，这时会涉及 SORT 这类关联算法，OpenCV 本身不直接提供完整的多目标追踪器，通常要配合deep_sort或自己写卡尔曼滤波和匈牙利匹配。
对学习项目来说，把单目标跟踪和多目标检测的融合逻辑写清楚，已经能支撑简历里的“目标追踪”项目描述。多目标处理时要知道每个目标应持有独立的跟踪器 ID，帧间根据中心距离和 IOU 判断目标是否匹配。以下是一段简单的多目标跟踪初始化逻辑：
trackers = [] ids = [] def add_tracker(frame, bbox, tid): t = cv2.TrackerCSRT_create() t.init(frame, bbox) trackers.append(t) ids.append(tid)每次update时，需要遍历所有跟踪器，并丢弃长时间更新失败的目标。不要在主循环里频繁创建和销毁跟踪器，这样会让帧率大幅下降。
4.5 其余8个项目的快速定位表
标题说 12 个企业级项目，这里不可能全部展开。可以把 4 个核心项目前面详述，其余 8 个作为扩展训练。以下表格给出了项目定位和技能重点：
| 项目 | 技能重点 |
|---|---|
| 人脸识别 | 人脸检测、特征编码、比对阈值 |
| 答题卡识别 | 轮廓排序、圆形检测、掩膜 |
| 车牌识别 | 颜色分割、形态学、字符分割 |
| 手势识别 | 肤色检测、轮廓凸包、指尖计数 |
| 条形码/二维码识别 | 图像预处理、扫码库结合 |
| 背景替换 | 前景分割、掩膜、图像合成 |
| 文字识别OCR | 图像矫正、OCR 引擎集成 |
| 运动检测/安防 | 帧差法、背景建模、事件告警 |
这些项目共同点都会复用第 3 章的核心能力。建议按表格顺序从易到难完成。完成一个就更新一次简历项目描述，避免到最后统一补。
5. 运行验证与结果判读：不能只看“能跑”
5.1 每个项目的验收指标
代码能跑不等于项目完成。信用卡识别要统计识别准确率，尤其是数字是否逐位正确；文档扫描要检查矫正图是否文字水平、边缘是否保留完整；疲劳检测要在不同光照和角度下统计误报率；目标追踪要记录跟丢次数和平均处理耗时。
建议每个项目准备一张“验收记录表”，记录测试图片数量、正确数量、失败原因和耗时。这比直接贴一张效果图更有说服力。表格可以包含以下字段：
| 项目 | 测试样本数 | 成功数 | 失败数 | 主要失败原因 | 平均耗时 |
|---|---|---|---|---|---|
| 信用卡识别 | 30 张 | 27 | 3 | 反光、卡号倾斜 | 0.42s/张 |
| 文档扫描 | 20 张 | 18 | 2 | 背景复杂、轮廓断裂 | 0.35s/张 |
这个记录后续可以直接放进项目 README，让面试官一眼看到工作量和问题意识。
5.2 如何用可视化中间结果定位问题
OpenCV 项目出错时，最快定位方式是可视化中间结果。比如文档扫描结果偏斜，不是只看最终图，而是把 Canny 输出和二值图画出来，检查边缘是否连续。信用卡识别找不到数字区域时，把形态学操作后的中间图画出来，看区域是否被连接成方块。
开发调试时建议把每个关键步骤的图片用cv2.imshow或cv2.imwrite输出，确认后再进入下一步。不要等到最终输出不对才回头查流程。可以用一个简单的辅助函数输出调试图：
def show_debug(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows()也可以把中间图保存到debug/目录，方便对比参数修改前后的差异。
5.3 数据集的准备和标注注意事项
企业级项目的核心不只是算法，还有数据。信用卡识别要准备多角度、不同光照的卡片图片；疲劳检测需要包含睁眼、闭眼、眨眼、低头不同状态的视频；目标追踪需要带标注框的视频帧序列。
自建数据时，最简单的方式是录制本地视频，然后用cv2.selectROI或 LabelImg 手动框选目标。数据量不需要很大，但覆盖场景要全。如果素材不足，可以使用公开数据集，但要确认许可和隐私合规要求。特别是人脸和身份证相关数据，必须脱敏处理，不能把真实用户隐私图直接上传到公开仓库。
6. 常见错误与排查路径：从现象倒推根因
6.1 安装和导入阶段：No module named 'opencv'
现象：执行代码时提示ModuleNotFoundError: No module named 'opencv'。
排查顺序：
- 看代码里是不是用了
import cv2。 - 再看当前环境是否激活。
- 打印
sys.executable确认解释器路径。 - 用
pip list | grep opencv确认已安装包名。
解决方案：安装opencv-python，并保持代码导入为import cv2。如果确认包名存在但仍报错，通常是当前解释器指向了另一个虚拟环境，需要重新激活或切换解释器。
6.2 findContours报错与轮廓绘制异常
现象：findContours报参数错误，或者drawContours绘制出来只有边缘、没有填充。
可能原因：
- 输入图像不是单通道二值图；
- OpenCV 版本不同导致返回值数量不同；
- 轮廓类型和绘制参数不匹配。
检查方式：打印binary.shape和binary.dtype；确认findContours返回值数量；绘制时使用cv2.drawContours(img, contours, -1, (0,255,0), 2)观察。
解决方案：
# 确保 binary 是单通道 0/255 图像 binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)[1] contours, _ = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )如果还要使用轮廓层级，就不要忽略hierarchy返回值。多级轮廓场景下，RETR_TREE配合绘制时指定层级参数会更可靠。
6.3 摄像头或视频流打不开
现象：cap.isOpened()返回 False，或读取到的帧全是 None。
可能原因包括：设备编号错误、摄像头被占用、视频文件缺少解码器、RTMP 流地址不可达。排查时先换编号 0 和 1 测试；再换一个已知正常的视频文件测试；如果视频文件正常，说明是解码器或网络问题。
视频流地址通常和网络、协议有关，排查时要先确认源地址在播放器中是否能正常打开，再排查 OpenCV 侧参数。OpenCV 默认使用 FFmpeg 后端读取视频流，遇到 RTMP 流打不开时，先检查网络连通性，再检查是否是地址权限问题。
6.4 C++版本常见的链接和头文件问题
现象：编译时报找不到头文件，或者链接时报LNK2019、LNK2001。
前者检查包含目录是否指向opencv2/include；后者检查附加依赖项是否添加版本匹配的库，以及是否把 Debug 与 Release 配置搞混。使用cv::fillPoly时如果链接错误，先确认函数名拼写和头文件是否#include <opencv2/imgproc.hpp>。
C++ 环境配置最需要的是版本一致性：编译器位数、OpenCV 库位数（x64/x86）、配置类型必须完全一致。比如在 64 位系统里安装了 x86 版本的 OpenCV，那么 C++ 工程也必须是 x86 或 x64，二者对应不上就会出现运行时加载失败。
7. 把实战项目写进简历：代码开源后还要补什么
7.1 项目描述的结构：背景、方案、结果
简历上的项目描述不是课程标题，而是一个可以论证能力的小报告。推荐用 STAR 模式：
- 背景：在什么场景下需要识别信用卡卡号；
- 任务：实现对卡号区域的定位和数字识别；
- 动作：使用形态学闭运算连接数字色块，结合轮廓分析和模板匹配完成识别；
- 结果：在测试集上统计准确率，并整理失败案例，明确下一步优化方向。
不要编造精确准确率。如果还没有稳定结果，可以写“完成功能 Demo，并整理失败案例，明确下一步优化方向”。真正面试时，对方更愿意听到你主动说出项目局限，而不是把一切说得完美。
7.2 从“跟着抄”到“能改进”的五个练习方向
学会跑通代码后，可以做五个改动来提升含金量：
- 把固定阈值改成自适应阈值，对比效果差异。
- 把模板匹配换成轮廓特征匹配，比较速度。
- 给疲劳检测加入连续帧状态机，降低误报。
- 给目标追踪加入检测器重初始化，解决跟踪丢失。
- 把项目封装成命令行工具，支持图片、视频、摄像头三种输入。
这五个方向不需要全部完成，但能体现你理解项目而不只是复制代码。比如第 5 项，写一个简单的命令行入口：
python run.py --input image.jpg --output result.jpg入口内部根据文件后缀或参数类型选择cv2.imread还是cv2.VideoCapture，这个设计很小，但能体现工程化思维。
7.3 发布前检查清单
把项目发布到 GitHub 前，建议按下面的清单快速检查：
- README 是否写清楚环境要求、安装命令、运行命令和演示文件。
requirements.txt是否包含版本号，而不是只写包名。- 代码中是否删除了硬编码的本地绝对路径。
- 是否保留中间可视化代码，方便别人调试。
- 是否补充 LICENSE，尤其是使用公开数据集的场景。
- 是否在文档中说明已知限制和下一步计划。
- 是否避免上传较大的视频、图片和二进制模型文件。
- 是否确认没有把隐私图片或真实证件图片混入数据集。
这份清单也适用于企业项目交接。代码开源只是开始，可复现、可调试、可演进才是项目能写进简历的关键。真正拉开差距的往往不是会不会cv2.findContours，而是能不能把一条处理链路稳定跑通，并且把问题说清楚。
整个学习路线以 OpenCV 基础能力为起点，以 4 个代表性项目为核心，以 12 个项目作为覆盖面，核心在于把预处理、轮廓分析、关键点计算和视频追踪串成一个可验证的系统。如果只能记住一件事，那就是每个项目都必须有明确的输入、中间结果、最终输出和失败案例，这样才能真正做到从零基础到能写进简历。接下来可以选择一个你最感兴趣的项目从环境开始动手，建议优先做文档扫描，因为它的反馈最直观，也很容易看到优化空间。
