企业官网建设流程全解析

先说一个真实场景：我见过太多人拿到树莓派的第一天，就急着去跑人脸识别门禁，结果卡在 OpenCV 安装这一步折腾到凌晨两点。搜索栏里“树莓派安装opencv”“opencv安装教程”的热度一直很高，但网上 90% 的教程还在教你源码编译，而 99% 的人其实根本不需要源码编译。这篇安装篇就是把这个环节彻底讲清楚：为什么选这个方案、每一步在干什么、出了报错怎么定位，全部按我实际跑过的流程来写。读完你不仅能装好 OpenCV，还能知道自己手里这台板子后续做树莓派人脸识别项目时，哪些配置是必须提前处理好的。

2. 起步之前，先想清楚一个核心问题：你这台树莓派该怎么装OpenCV

很多教程一上来就甩编译命令，根本不看读者是什么系统、什么板子。实际上，树莓派安装 OpenCV 的方案选择，直接影响后面 2 到 4 个小时的体验。

2.1 三种安装方式的对比：速度差多少、风险差多少

树莓派上装 OpenCV 无非三条路：pip安装、apt安装、源码编译。我在不同版本的树莓派上把三条路都走通过，先说结论：

这里必须强调一个很多人踩过的坑：树莓派官方的 32 位系统（armhf）没有 OpenCV 官方的 armv7l wheel。什么意思？就是你在 32 位系统上执行pip install opencv-python，pip 会发现找不到预编译的包，于是自动下载源码开始编译——你本来只想装个库，结果被迫进入了编译地狱。少则两个小时，多则直接失败。

所以装 OpenCV 之前，第一步一定是确认系统位长，而不是直接敲命令。

2.2 第一步先确认系统位长：32位还是64位

检查命令很简单：

uname -m

输出aarch64代表 64 位系统，输出armv7l代表 32 位系统。

• 如果你用的是树莓派 5，官方系统默认就是 64 位，基本不会遇到这个问题。
• 如果你用的是树莓派 4B，烧录时选择了 32 位镜像，后面大概率会在 OpenCV 上卡很久。
• 树莓派 3B 和更老型号虽然也能跑 64 位系统，但性能有限，我建议直接按 32 位系统来规划，用apt安装路线。

针对不同情况，我的推荐非常明确：

64 位系统用户：用pip安装opencv-contrib-python-headless，这是最省心的方案，后面会细说。32 位系统用户：直接用apt安装python3-opencv，或者借助树莓派社区源piwheels来装预编译好的 wheel。

这里要顺带提一个关键点：树莓派官方系统的 pip 默认配置了piwheels这个额外的软件源，里面有很多针对树莓派 CPU 优化的预编译包，包括 OpenCV。很多人换了国内 pip 镜像源之后，把这个配置覆盖掉了，结果 OpenCV 安装速度骤降，甚至开始源码编译。后面我会专门讲怎么规避。

2.3 人脸识别用户直接选contrib包的理由

OpenCV 有主仓库和 contrib 扩展仓库之分。在使用pip安装时，表现为opencv-pythonvsopencv-contrib-python。

如果你只是做一般图像处理，比如灰度转换、边缘检测、颜色识别，主仓库就够用。但人脸识别项目有个特殊点：经典的 LBPH 人脸识别算法（cv2.face.LBPHFaceRecognizer_create）在 contrib 模块里，主仓库的cv2包里压根没有face这个子模块。

这就是为什么网上很多人跑人脸识别代码时，报出module 'cv2' has no attribute 'face'这个错误。不是你代码写错了，是包装错了。

所以我给人脸识别项目的建议是：直接装opencv-contrib-python或opencv-contrib-python-headless。虽然你可能暂时用不到 SIFT、 SURF 这些扩展算法，但 face 模块一定会在训练人脸模型时用到，不如一步到位。

3. 装OpenCV前必须做好的三件套准备：系统源、存储空间、摄像头

在敲安装命令之前，还有几个环境层面的准备工作。这些工作看起来跟 OpenCV 无关，但没做好，后面你会在各个奇怪的环节翻车。

3.1 系统更新与存储扩容

首先是系统更新，这个没啥说的：

sudo apt update && sudo apt upgrade -y

apt upgrade可能会花很长时间，尤其在老旧的 3B 上，建议耐心等完。这是为了避免系统自带的一些库版本过旧，跟后面 OpenCV 的依赖产生冲突。

然后是存储扩容。树莓派系统烧录到 SD 卡后，默认不会使用全部空间，尤其用官方镜像烧录工具时，你需要手动扩展文件系统。最稳妥的方式：

sudo raspi-config

进入Advanced Options->Expand Filesystem，然后重启。

这一步容易被忽略，但影响很大。OpenCV 无论哪个版本都不小，加上后续人脸识别项目要存训练数据、照片样本，系统盘空间不够会出现各种诡异问题。比如我遇到过有人编到一半，SD 卡满了，make直接报错，查了半天才发现是磁盘空间不够。

3.2 apt源和pip源的配置：顺手把piwheels保住

国内网络环境下，换源是常态。apt 源的替换不复杂，网上有大量教程，核心就是把sources.list和sources.list.d/raspi.list里的官方地址替换成国内镜像地址，然后sudo apt update。

我更想提醒的是 pip 源。许多人的操作是：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

这个操作很好，但它会把树莓派官方配置的piwheels覆盖掉吗？不一定。关键在于原来的配置文件里用的是extra-index-url而不是index-url，这两个是并存的。树莓派官方系统在/etc/pip.conf里默认写的是：

[global] extra-index-url=https://www.piwheels.org/simple

正确做法是：在设置国内 pip 源时，保留这个extra-index-url，或者手动把它加回去：

[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple extra-index-url = https://www.piwheels.org/simple

这样既享受到国内镜像的下载速度，又保留了 piwheels 对 armv7l 架构预编译包的补充能力。这一步在 32 位树莓派上格外关键，因为在 armv7l 上没有官方 OpenCV wheel，只能靠 piwheels。

3.3 确认摄像头在工作：libcamera还是V4L2

树莓派摄像头有 CSI 接口的官方模块（比如 OV5647），也有 USB 摄像头。它们的确认方式不同。

如果你用 USB 摄像头，插上后执行：

lsusb

能看到摄像头设备。再用：

v4l2-ctl --list-devices

或者：

ls /dev/video*

能看到/dev/video0，基本就说明系统识别了。

如果你用 CSI 接口的树莓派官方摄像头模块，新版系统（Bullseye 之后）默认走 libcamera 框架，老命令raspistill已经废弃了。先确保在raspi-config里启用了 Camera 接口，然后执行：

libcamera-hello

能看到实时预览画面，说明摄像头链路是通的。这一步的作用，是把“摄像头硬件问题”和“OpenCV 读取问题”分开，不至于后面代码读不到画面时一头雾水。

3.4 功耗、散热和内存是硬约束

很多人在安装 OpenCV 时遇到莫名其妙的卡死、失败，最后发现是供电不足或者温度过高。

树莓派的官方电源是 5V 3A，但很多人用手头闲置的充电头凑合，一旦 CPU 满载，电压跌落，板子就会重启或者外设失灵。我见过编译 OpenCV 编到一半板子直接重启的，换了个正规 5V 3A 电源后再也没出现过。

散热也是硬约束。树莓派 4B 在长时间高负载下，CPU 温度很快就会超过 85 度，过热触发降频后编译速度暴跌。源码编译建议加散热片和风扇，至少也要有个散热片。随时可以用这条命令看温度：

vcgencmd measure_temp

内存方面，树莓派 1GB、2GB 版本在编译大项目时容易内存不足。如果决定源码编译，建议先把 SWAP 扩大，后面会讲具体操作。

4. 实战安装，三条路我建议你这样走

准备工作做完，下面是正式的安装环节。我按实际推荐顺序给出三条路线，你可以按自己的系统情况选择。

4.1 方式一：Python虚拟环境里用pip安装（首选）

这是我在 64 位树莓派上最常用的方案，速度最快、最干净，也最容易卸载。

强烈建议先建一个虚拟环境，避免后面人脸识别项目依赖的一堆包跟你系统 Python 环境互相污染。树莓派官方系统从 Bookworm 开始，Python 还启用了外部环境管理保护，直接在系统 Python 里pip install会报externally-managed-environment的错误，虚拟环境天然规避这个问题。

python3 -m venv ~/cv_env source ~/cv_env/bin/activate

然后升级 pip，顺手安装 OpenCV：

pip install --upgrade pip pip install opencv-contrib-python-headless

如果是需要显示图像窗口的桌面应用，把最后的包名换成opencv-contrib-python，后面会解释 headless 和非 headless 的区别。

这条命令跑完，正常情况下 OpenCV 就装好了。64 位系统有官方 prebuilt wheel，下载速度取决于你的网络。国内镜像源配好之后，整个安装过程不会超过十分钟。

4.2 方式二：apt安装python3-opencv（省心路线）

如果你用的是 32 位系统，或者不想用虚拟环境、希望在系统层面直接有 OpenCV，那么apt安装最省心：

sudo apt install python3-opencv

这个包是树莓派官方仓库里编译好的，适配树莓派的硬件和系统，稳定性很好，而且apt 版本默认编译了 GStreamer 支持，这对后面读取摄像头视频流很有帮助。

缺点也很明显：版本一般落后于 pip 官方版，而且它默认可能不带 contrib 模块的 face 部分。具体要看 apt 源里的包版本，早期树莓派源里的 python3-opencv 不带 contrib，后来才逐渐补上。如果你用 apt 版跑cv2.face失败，那就得斟酌一下是否改用 pip 方案了。

针对 32 位系统的 pip 用户，我可以补充一个具体操作：把 piwheels 配好之后，执行：

pip install opencv-contrib-python-headless

同样能拿到 piwheels 编译好的 armv7l wheel，不走源码编译。这个方案适合希望统一用 pip 管理项目的用户。

4.3 方式三：源码编译（定制路线）

读者可能会问：你还说 90% 的人不需要源码编译，那剩下 10% 是什么人？至少包括这几类：

• 需要修改 OpenCV 源码进行调试的开发者
• 需要开启一些默认没编译的功能模块的人
• 想最大化榨取树莓派性能，在编译时针对 CPU 指令集做优化的硬核玩家
• 想用 CSI 摄像头且无法接受 V4L2 兼容方案的人，需要编译 GStreamer 支持

如果确实需要源码编译，我建议明确预期：在树莓派 4B 上大约两到三个小时，在 3B+ 上可能四小时以上。有散热条件下再操作。

先装依赖：

sudo apt install -y build-essential cmake git pkg-config \ libjpeg-dev libtiff-dev libpng-dev \ libavcodec-dev libavformat-dev libswscale-dev \ libv4l-dev libxvidcore-dev libx264-dev \ libgtk-3-dev libatlas-base-dev gfortran python3-dev

然后拉取源码，注意版本号建议选定某一个稳定 tags，不要直接拉 master：

cd ~ git clone --depth 1 --branch 4.10.0 https://github.com/opencv/opencv.git git clone --depth 1 --branch 4.10.0 https://github.com/opencv/opencv_contrib.git cd opencv mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D WITH_V4L=ON \ -D WITH_GSTREAMER=ON \ -D WITH_GTK=ON \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D PYTHON3_EXECUTABLE=$(which python3) \ -D BUILD_EXAMPLES=OFF ..

在 2GB 或 4GB 内存的板子上，编译前最好把 SWAP 扩大到 2GB：

sudo dphys-swapfile swapoff sudo nano /etc/dphys-swapfile

把CONF_SWAPSIZE改成 2048，然后：

sudo dphys-swapfile swapon

编译时以make -j4开始（4 核全开），如果编译过程中系统卡死，就降成make -j2。最后：

make -j4 sudo make install sudo ldconfig

源码编译完成后，OpenCV 会被安装到/usr/local目录，Python 里import cv2时优先加载的就是这套自编译版本。

4.4 三条路线之间的取舍，我的经验判断

给一个最简单的决策逻辑：

• 能跑 64 位系统 + 后续主要用 Python 做人脸识别 -> 直接 pip 装opencv-contrib-python-headless。
• 32 位系统且不想折腾 -> 直接sudo apt install python3-opencv，能跑就往项目里写代码。
• 明确需要 GStreamer、CSI 摄像头特殊管道、或者想改底层 -> 源码编译，并且预留充足时间。

我自己在树莓派 4B 8GB 版上常年用第一个方案，工作很稳定。在 3B 上给朋友搭环境时用了第二个方案，也很省心。说到底，工具要为项目服务，不要为了显得专业就去折腾编译。

5. 装完别急着写人脸识别，先验证环境和视频链路

装好 OpenCV 只完成了一半，另外一半是确认环境能真正用起来。这一步可以帮你非常快速地区分“环境问题”和“代码问题”。

5.1 import cv2 的三步验证

进入你的虚拟环境，或者直接 Python 交互环境：

python3

import cv2 print(cv2.__version__) print(cv2.__file__)

第一行输出版本号，比如4.10.0，第二行输出模块路径，可以确认你加载的是哪个环境里的 OpenCV。这一步特别能排查“我装了但导入的不是我装的那份”这类环境混用问题。

接着确认人脸识别需要的 contrib 模块：

import cv2 print(cv2.face)

如果能输出<module 'cv2.face'>之类的信息，说明 face 模块存在，后面 LBPH 训练没问题。如果报AttributeError: module 'cv2' has no attribute 'face'，说明装成了非 contrib 版本。

5.2 用USB摄像头走通第一个视频流

我建议先用 USB 摄像头做验证，因为 USB 摄像头走 V4L2 协议，OpenCV 默认直接支持，最简单。

import cv2 cap = cv2.VideoCapture(0) if not cap.isOpened(): print("Cannot open camera") exit() cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) cv2.imshow("Video", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

这段代码能跑起来，说明 OpenCV 读取摄像头的链路是通的。

如果你装的是 headless 版本，cv2.imshow会报错提示The function is not implemented。这是正常的，headless 版本就是不带 GUI 显示功能。两种处理方式：换成带 GUI 的opencv-contrib-python，或者不显示图像，把处理结果存成图片文件。

5.3 如果用的是CSI摄像头（ov5647）该怎么接

CSI 接口的官方模块在树莓派上更常见，但也更麻烦。核心问题在于新版树莓派系统默认用 libcamera 框架，OpenCV 的 VideoCapture 走的却是 V4L2 接口，两者之间需要一层兼容。

我的处理过程是这样的：

第一步，确保 libcamera 工具装好：

sudo apt install -y libcamera-apps

第二步，把 CSI 摄像头在系统层调试通。执行libcamera-hello，能看到预览画面就说明摄像头本身是好的。

第三步，在 OpenCV 里去读取。一个可行的方法是通过 libcamera 提供的 V4L2 兼容层让 OpenCV 的 VideoCapture 生效：

sudo apt install -y libcamera-v4l2

然后运行时加上环境变量：

export LD_PRELOAD=/usr/lib/arm-linux-gnueabihf/libcamera/v4l2-compat.so python3 your_script.py

注意：这个路径在不同系统架构上可能不同，用dpkg -L libcamera-v4l2查一下实际路径。

如果你手里的 OpenCV 是源码编译并开启了 GStreamer，也可以用 GStreamer 管道读取：

cap = cv2.VideoCapture( "libcamerasrc ! videoconvert ! video/x-raw,format=BGR ! appsink", cv2.CAP_GSTREAMER )

需要提醒的是：官方 pip 的 OpenCV wheel 没有编译 GStreamer 支持，所以上面这个管道在 pip 环境里大概率不可用。这就是为什么有些人坚持用 apt 版本或源码编译——他们需要对 CSI 摄像头做直接读取。而很多应用场景下，USB 摄像头配合 pip 版 OpenCV 就是最短路径。

5.4 一行代码验证人脸检测链路

摄像头链路通了之后，再做一个快速验证：确认 OpenCV 自带的 Haar 级联人脸检测模型能加载、能在画面里框出人脸。

import cv2 face_cascade = cv2.CascadeClassifier( cv2.data.haarcascades + "haarcascade_frontalface_default.xml" ) cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=5, minSize=(60, 60) ) for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.imshow("Face Detection", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

画面里能看到绿色框住人脸，就说明人脸检测的基本链路已经通了。到这里，OpenCV 安装和验证这一阶段就算正式完成。

6. 我实际踩过的坑：安装阶段的四个经典报错与定位思路

下面这些报错，如果你在搜索框里搜过，多半就是卡住了。我把排查链路完整写出来，避免你在错误的思路上花太多时间。

6.1 No module named 'cv2'：多数是Python环境混了

这个报错在安装完成后第一次 import 时最常见。真正的报错原因很少是“没装上”，而是“装到了别的 Python 环境里”。

排查链路是这样的：

1. 确认当前用哪个 Python：

   which python3

2. 确认这个 Python 能不能找到 cv2：

   python3 -c "import cv2; print(cv2.__file__)"

3. 检查 pip 装到了哪里：

   pip show opencv-contrib-python-headless

   看 Location 路径是否跟sys.path匹配。

最常见的原因是大家建了虚拟环境后忘了激活，直接在系统 Python 里 pip install，然后又回到虚拟环境里去 import。或者在系统 Python 里装了一份，又被另一个 IDE 自带的解释器干扰。

解决方式其实很简单：激活虚拟环境后，重新pip install opencv-contrib-python-headless，并且在当前这个终端里做完 import 验证。如果你用 VS Code 或 Thonny，记得把解释器路径指到虚拟环境。

6.2 libGL.so.1缺失：桌面版OpenCV的经典报错

这个错误通常出现在你安装的是非 headless 版本，比如：

pip install opencv-contrib-python

然后在无桌面的精简系统或者容器环境里 import cv2，报错：

ImportError: libGL.so.1: cannot open shared object file

原因是带 GUI 功能的 OpenCV 依赖系统的 OpenGL 库，但最小化环境里没有装。

解决办法很简单，安装缺失的库：

sudo apt update sudo apt install -y libgl1 libglib2.0-0

不过，我也要提供一个反向判断：如果你只是做后台服务、把图像处理结果保存到文件，或者往 MQTT、数据库里推送结果，根本不需要 GUI，那就直接用 headless 版本，压根不用碰 libGL 的问题。我的建议是：默认装 headless，等确认自己需要弹出窗口看画面时，再换非 headless 或补装 libgl1。

6.3 module 'cv2' has no attribute 'face'：包选错了

这个报错信息足够直白，但很多人会怀疑是版本问题，其实核心就是包选错了。cv2.face存在于 contrib 版本中:

• 安装opencv-contrib-python或opencv-contrib-python-headless后，cv2.face可用。
• 安装opencv-python或opencv-python-headless后，cv2.face不存在。

如果你已经装了非 contrib 版本，在虚拟环境里直接：

pip uninstall opencv-python opencv-python-headless pip install opencv-contrib-python-headless

再次验证：

import cv2 print(cv2.face)

这个模块具有以后训练人脸识别模型时才用得到，但提前确认能少走很多弯路。很多教程为了省事只写“pip install opencv-python”，后面跑人脸识别代码时就必然翻车。

6.4 编译过程卡死或被杀：SWAP与过热复盘

源码编译遇到卡死或者Killed提示，通常是内存不足或者过热。

先说内存不足。树莓派 1GB 或 2GB 内存，在开桌面环境的同时跑编译，内存很容易吃满。内核会直接杀掉 OOM 的进程，表现就是你看到Killed。解决方式是把桌面关掉再编，或者扩大 SWAP。

扩大 SWAP 的完整操作：

sudo dphys-swapfile swapoff sudo nano /etc/dphys-swapfile

把CONF_SWAPSIZE=100改为CONF_SWAPSIZE=2048，然后：

sudo dphys-swapfile swapon free -h

确认 SWAP 生效。编译完成之后，可以再把 SWAP 改小，保护 SD 卡寿命。

再说过热。树莓派 4B 满载编译时温度飙升非常快，实测无散热片时能达到 85 度以上，触发降频后编译速度会断崖式下跌，甚至系统不稳定。解决方式是在编译时另一终端监控：

watch -n 2 vcgencmd measure_temp

如果长时间在 80 度以上，建议暂停编译，装好散热片和风扇，等温度降回 45 度左右再继续。

还有一个经常被忽略的点：make -j4在 1GB 内存的板子上容易 OOM，但换make -j2往往就能稳定编完。不要死磕 4 线程，少花时间比什么都重要。

7. 从安装到人脸识别之间，你还要补上的几块拼图

安装验证完，你手里已经有一套能用的 OpenCV 环境了。但距离一个完整的人脸识别项目，还有几块拼图需要提前知道。

7.1 opencv的wheel屏蔽了GStreamer，影响有多大

官方 pip 的 OpenCV wheel 为了包体积和兼容性，默认没有编译 GStreamer。这意味着你没法用 GStreamer 管道直接读摄像头流。

影响的大小取决于你的摄像头方案：

• USB 摄像头走 V4L2，完全不受影响。
• CSI 摄像头但通过 V4L2 兼容层，基本不受影响。
• CSI 摄像头想用libcamerasrc管道，就必须要 GStreamer 支持。这时你有两个选择：源码编译 OpenCV，或者用 apt 版本。

我个人的习惯是桌面应用和普通项目一律用 USB 摄像头加 pip 版 OpenCV，CSI 摄像头留给特别在意体积和画质的场景。这个取舍其实很实际，USB 摄像头即插即用，千兆网络传输视频流的项目里甚至可以把画面推给 PC 端处理，树莓派只做采集。

7.2 摄像头画面倒置和帧率偏低怎么处理

这个问题在树莓派人脸识别项目里太常见了。

画面倒置的原因有两类。一类是摄像头物理安装方向问题，用cv2.rotate可以解决：

frame = cv2.rotate(frame, cv2.ROTATE_180)

另一类是 CSI 摄像头造了 V4L2 兼容层后的方向问题，可以在运行时设置翻转参数：

export LIBCAMERA_RPI_V4L2_OVERRIDE_FORCE_FORMAT=...

这种方式更接近系统层，实际调整时建议先用libcamera-hello --rotation 180确认摄像头本身支持硬件翻转，能硬件翻转就不要在 OpenCV 里做软件翻转，能少一份 CPU 开销。

帧率偏低的问题要分情况。树莓派 CPU 处理cv2.cvtColor和cv2.CascadeClassifier都是比较吃算力的操作，特别是 Haar 级联在 VGA 分辨率下，4B 也可能只有 10 到 15 帧。优化办法：

1. 缩小处理分辨率，用 640x480 做检测，不要用 1080p。
2. Haar 级联的scaleFactor从 1.1 调整到 1.2，minNeighbors从 5 调到 6，能跳过不少误检，速度更快。
3. 不要把每一帧都做检测，可以每两帧检测一次，中间帧直接沿用上一帧结果。
4. 后续进阶可以用 OpenCV 的 DNN 人脸检测器，精度高，但树莓派上需要搭配推理加速。

7.3 下一步：从“能打开摄像头”到“跑通人脸识别”的最短路线

到这里，你剩下的任务其实很清晰了。以 LBPH 算法为例，最短路线是三步：

第一步，采集人脸样本。用 OpenCV 打开摄像头，对同一个人的脸拍下几十张不同角度的照片，灰度化后统一缩放到固定尺寸，比如 100x100。

第二步，训练模型。用cv2.face.LBPHFaceRecognizer_create()创建识别器，把样本和对应标签喂给train()方法。

第三步，识别。摄像头实时帧里检测到人脸后，裁剪出人脸区域，经过同样预处理，调用predict()得到标签和置信度。置信度低于阈值就认为匹配成功，否则视为陌生人。

这三步的代码量不大，但每一环依赖的环境组件，我在前文里都已经替你验证过了：opencv-contrib-python 提供了 face 模块，Harr 级联负责检测，VideoCapture 负责取流。整条链路没有一块是落空的。

我自己在做这个系列项目时最深的体会是：安装阶段多花十分钟做环境验证，比后面在代码里来回试错要划算得多。环境一旦干净，后续所有实验都会顺畅起来。下一篇我们直接进入人脸识别实现部分，会把这套环境真正用起来。