OpenCV可通过组合高斯模糊、双边滤波、肤色检测等实现轻量级实时美颜；分层修复老照片划痕与褪色；基于轮廓与凸包缺陷识别手势；利用单应性矩阵与透视变换实现实时AR贴纸与文字。
用OpenCV做实时人脸美颜不是梦
OpenCV本身不内置“美颜”函数，但能通过组合高斯模糊、双边滤波、肤色检测和边缘保留算法，模拟轻量级美颜效果。关键不在堆砌滤镜，而在理解每步的物理意义：比如双边滤波既能平滑肤色噪点，又不模糊眼睛、嘴唇等关键边缘；而YUV色彩空间中的U/V通道对肤色范围更敏感，比直接在BGR中阈值分割更稳定。
实操建议：
- 先用
cv2.cvtColor(img, cv2.COLOR_BGR2YUV)转色域，对Y通道做锐化提亮，U/V通道做轻微模糊抑制红斑 - 用
cv2.inRange()配合预设的U/V区间（如U: 130–170, V: 120–160）粗略提取面部区域，再结合cv2.face.createFacemarkLBF()精确定位五官轮廓 - 对脸颊区域单独应用
cv2.bilateralFilter()（d=9, sigmaColor=75, sigmaSpace=75），避免全局模糊导致画面发虚
让老照片“活”起来：OpenCV修复划痕与褪色
扫描的老照片常见问题不是单纯模糊，而是混合了线性划痕、颗粒噪点、局部褪色和低对比度。OpenCV的优势在于可分层处理：先用形态学操作定位长条状划痕，再用图像修复（cv2.inpaint）填充；对褪色区域，不直接全局调色，而是用自适应直方图均衡化CLAHE分块增强，避免过曝细节。
实用技巧：
立即学习“Python免费学习笔记（深入）”；
- 划痕检测：用细长结构元（如
cv2.getStructuringElement(cv2.MORPH_RECT, (1,15))）做形态学梯度，突出方向性破损 - 修复前先二值化划痕掩膜，膨胀2–3像素确保覆盖完整裂口，再传入
cv2.INPAINT_TELEA模式——它比NS模式更保边缘 - 褪色校正：对Lab空间的L通道用
cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))，避免天空或白墙过亮
不用深度学习，也能做简易手势识别
OpenCV适合做轻量、低延迟的手势交互，比如识别“OK”“拳头”“五指张开”。核心是轮廓分析+凸包缺陷检测，而非训练模型。重点不是追求100%准确率，而是设计鲁棒的预处理链：固定光照、手部ROI裁剪、HSV肤色分割、形态学净化，最后靠凸包顶点数和缺陷深度判断手势类别。
可落地的做法：
- 用
cv2.threshold()或cv2.inRange()在HSV空间抠出手（H: 0–20 or 160–180, S: 40–255, V: 40–255），注意合并红橙两段H值避免断连 - 对二值图做
cv2.findContours()，只保留面积最大且长宽比接近1的轮廓，排除误检的衣袖或桌面反光 - 调用
cv2.convexHull(contour, returnPoints=False)获取凸包索引，再用cv2.convexityDefects()统计深度>10px的缺陷数：“OK”通常有1个深缺陷，“五指”有4个，“拳头”接近0个
OpenCV视频流中嵌入AR文字与动态贴纸
AR效果本质是坐标对齐+透视变换。OpenCV不依赖ARKit或ARCore，靠特征匹配（如ORB+FLANN）或平面检测（cv2.findHomography）就能把虚拟元素“钉”在真实平面上。难点不在渲染，而在实时跟踪稳定性——要过滤抖动、处理遮挡、应对光照突变。
稳住AR的关键细节：
- 用
cv2.ORB_create(nfeatures=500)提取角点，比SIFT更快；匹配后用cv2.findHomography()计算单应矩阵，RANSAC迭代次数设为100提升抗误匹配能力 - 贴纸叠加前，先用
cv2.warpPerspective()将PNG贴纸（带alpha通道）映射到目标四边形，再用alpha混合公式手动合成：dst = bg*(1-alpha) + fg*alpha - 加文字时别用
cv2.putText()默认字体——改用cv2.FONT_HERSHEY_SIMPLEX并设置lineType=cv2.LINE_AA，否则高速移动时文字锯齿严重
