Hough-Contour瞳孔检测：精度99.8%、320×240单帧60ms

简介围绕红外视频中的瞳孔精确检测这份PDF文献提出Hough-Contour算法将改进的Hough梯度法与轮廓匹配相结合面向图像处理、计算机视觉方向的研究人员和工程师也可供心理健康研究、犯罪侦查、医疗诊断等需要高精度瞳孔直径测量的场景参考。压缩包内仅含1个PDF文件约1.04MB为期刊论文全文便于直接阅读与存档引用已有170人学习。内容完整交代灰度化滤波、Canny边缘提取、Hough初检以及瞳孔附近圆形轮廓的位置与半径受限匹配等环节并给出将候选圆心累积值改为求最大值、用阈值排除闭眼帧、轮廓移动与伸缩范围取初始半径十分之一、点对数量取40等参数设置技巧实验显示精确匹配率由OpenCV圆变换的约10%提升至99.8%低端设备处理320×240、高端设备处理640×480视频均可实时。读者可据此复现算法、调参并迁移到自有的红外眼动数据。1. 一帧 320×240 的红外眼睛视频普通圆检测为什么只到 10%红外视频里的瞳孔从来不是一个标准圆。睫毛压住上半圈、红外灯环在角膜上打出一个亮斑、眼睑开合把圆切成一段弧任何一样都能让理想圆拟合跑偏。图像处理里做瞳孔检测最容易低估的就是这一步Hough 变换只能找到看起来像圆的东西而这个圆的圆心和直径未必属于瞳孔。这份 Hough-Contour 算法资料要解决的正是最后这一公里——先用改进的 Hough 梯度法给出粗略初值再用轮廓匹配在初值附近做一次小范围搜索公开实验数据是精度从 OpenCV 圆变换的 10% 左右提升到 99.8%低端设备上 320×240 单帧 60ms 能跑。适合已经在做眼动、疲劳监测、红外成像相关开发并且被圆心老是抖、直径忽大忽小折磨过的工程师。2. 算法总览从一帧灰度图到 (x, y, r) 的五段流水线这套算法的整体结构很朴素没有神经网络那种黑匣子五个步骤串成一条直线灰度化 → 滤波去噪 → Canny 提取边缘 → 改进 Hough 梯度法求初值 → 轮廓匹配精修。真正花心思的地方在后两步的参数配合前面的预处理反而是决定下限的部分。红外图像本身对比度不低瞳孔区域暗、虹膜区域亮所以灰度化之后直接做高斯滤波就够了不需要直方图均衡这类会放大噪声的操作。理解这条链路的顺序很重要。Hough 负责从无到有轮廓匹配负责从有到准两者职责不能混。Hough 阶段不需要精确它只要保证真实瞳孔落在初值周围约十分之一个半径的范围内后面的精修就能把它拉回来而在轮廓匹配阶段任何一次全局搜索都是浪费因为瞳孔不可能凭空跳到画面另一侧。2.1 模块怎么切四个文件管一条链路按这条链路拆工程里我一般会切成四个编译单元每个单元只干一件可测的事。这样做的好处是调参数的时候你知道该改哪个文件而不是在一坨八百行的 main 里翻。文件职责关键接口frame_source.cpp读视频/摄像头、灰度化、按比例缩放bool nextFrame(cv::Mat gray)pupil_hough.cpp改进 Hough 梯度法输出初值圆与累积峰值bool houghInit(const cv::Mat, Pupil, int peak)pupil_contour.cpp在初值邻域做圆环采样匹配bool refineByContour(const cv::Mat, Pupil)tracker.cpp时序平滑、异常帧丢弃、结果输出void update(const Pupil)Pupil就是一个三元组圆心坐标加半径另外带一个时间戳。// pupil_types.h struct Pupil { float x 0.f, y 0.f, r 0.f; // 单位像素坐标系与输入帧一致 bool valid false; // 本帧是否检出闭眼帧为 false double t 0.0; // 采集时间戳毫秒 };valid这个字段看着不起眼但在实际链路里非常关键。闭眼帧、大幅眨眼帧、镜头被遮挡帧都会让 Hough 返回一个毫无意义的圆如果不加标记直接送进下游做平滑平滑器会把脏值一路带下去好几帧都恢复不过来。2.2 主循环一帧图像进来先做什么、后做什么把四个模块串起来的主循环不到三十行但每一步的顺序都不能调换。特别是缩放这一步放在灰度化之后、Hough 之前而不是放在最后——因为 640×480 直接跑 Hough 的耗时是 320×240 的四倍左右先缩再算能把单帧时间压到实时线以内。// main.cpp —— 一帧红外图像从读入到输出瞳孔直径的完整链路 #include opencv2/opencv.hpp #include pupil_types.h #include pupil_hough.h #include pupil_contour.h int main(int argc, char** argv) { cv::VideoCapture cap(argv[1]); // 红外视频文件传 0 则打开首个摄像头 if (!cap.isOpened()) return -1; cv::Mat frame, gray, small; while (cap.read(frame)) { cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY); // 1. 灰度化 cv::GaussianBlur(gray, gray, cv::Size(5, 5), 0); // 2. 5x5 高斯去噪 double scale 320.0 / gray.cols; // 3. 长边统一缩到 320 cv::resize(gray, small, cv::Size(), scale, scale, cv::INTER_AREA); Pupil p; int peak 0; if (!houghInit(small, p, peak)) { // 4. Hough 求初值 continue; // 失败即视为闭眼/无效帧 } refineByContour(small, p); // 5. 轮廓匹配精修 p.x / (float)scale; p.y / (float)scale; p.r / (float)scale; printf(%.2f,%.2f,%.2f\n, p.x, p.y, p.r * 2); // 输出圆心与直径 } return 0; }几个参数值得单独说。cv::Size(5,5)的高斯核是按红外图像的噪声尺度定的核太小压不住传感器噪声核太大把瞳孔边缘糊掉5×5 是这类 320×240 图像的经验折中。INTER_AREA而不是默认的双线性是因为缩小图像时区域平均更不容易产生混叠边缘位置更稳。缩放系数scale必须原样保存最后一步把坐标映射回原图时必须除以它忘了这一步会出现瞳孔永远贴在画面左上角的经典 bug。2.3 环境搭起来OpenCV 加 CMake 的最小骨架原始资料里的运行环境是很老的组合直接照抄在今天基本跑不动。现在复现用 OpenCV 4.x 加 CMake 最省事接口基本一一对应改几个函数名就行。# Ubuntu 下装依赖macOS 用 brew install opencv sudo apt install -y build-essential cmake libopencv-dev # 编译 mkdir -p build cd build cmake .. make -j4 # 跑一段红外视频输出每帧的 x,y,直径 ./pupil_demo ../data/eye_ir_320x240.avi out.csv# CMakeLists.txt cmake_minimum_required(VERSION 3.10) project(pupil_hough_contour CXX) set(CMAKE_CXX_STANDARD 14) find_package(OpenCV REQUIRED) add_executable(pupil_demo main.cpp pupil_hough.cpp pupil_contour.cpp tracker.cpp) target_link_libraries(pupil_demo ${OpenCV_LIBS})如果你手上没有红外视频普通摄像头也能先跑通链路——用手遮住镜头再松开观察valid字段是否跟着翻转这是验证闭眼帧判断是否生效的最快办法。2.4 第一个可跑的验证在静态帧上打印圆心和直径不要一上来就接实时视频。我一般先抽一帧存成 PNG用单帧调试把中间结果全画出来边缘图、Hough 初值圆、精修后的圆三张图叠在一起看。瞳孔边缘如果没被 Canny 完整框住后面所有参数调整都是白费力气。// debug_draw.cpp —— 单帧可视化定位问题比看数字快得多 cv::Mat vis; cv::cvtColor(gray, vis, cv::COLOR_GRAY2BGR); cv::circle(vis, cv::Point(cvRound(p0.x), cvRound(p0.y)), cvRound(p0.r), cv::Scalar(0, 255, 0), 1); // 绿色Hough 初值 cv::circle(vis, cv::Point(cvRound(p.x), cvRound(p.y)), cvRound(p.r), cv::Scalar(0, 0, 255), 1); // 红色精修结果 cv::imwrite(debug.png, vis);绿圈和红圈偏差在一两个像素内说明 Hough 初值够用偏得离谱甚至跑出画面问题在 Hough 阶段别急着调轮廓匹配的参数。3. 改进的 Hough 梯度法把候选圆心降序排序改成一次求最大值标准 Hough 圆变换的做法是对每个半径把所有边缘点按梯度方向投票到一个 (a, b) 累积平面然后对整个平面做降序排序取前若干个作为候选圆心。这个排序在 320×240 的图像上还能忍一旦分辨率上去或者半径搜索范围拉宽排序本身就吃掉大半帧时间。原始资料里的第一个改动就落在这里——不排序直接找累积数组的最大值及其位置。这个改动听起来是纯性能优化实际还带来一个额外好处最大值本身就是一个天然的质量指标。瞳孔清晰、边缘完整时累积峰值很高闭眼、睫毛遮挡、大幅度运动模糊时投票分散峰值显著下降。于是同一个数组既能给出圆心又能顺手做闭眼帧判断一举两得。3.1 原始梯度法的时间花在哪梯度 Hough 的核心是两件事算边缘点的梯度方向沿方向正负两侧各走 r 个像素投一票。对 320×240、半径范围 20 到 50一次完整搜索的投票次数是边缘点数乘以半径档数再乘以二。边缘点大概两三千个半径档三十个投票量在十几万次量级这部分省不掉。真正可以省的是后面的候选排序候选圆心可能有上万个非零项排序的复杂度是 O(n log n)而且每次都要重新排。改成求最大值之后复杂度降到 O(n) 一次扫描更关键的是——你根本不需要第二名。瞳孔只有一个累积值最高的那个位置就是它。多保留候选做后续筛选是通用圆检测为了适应一图多圆场景的设计而瞳孔检测是单目标场景用不上。3.2 用最大值索引替代排序少一次排序多一个闭眼判断下面这段是核心实现逻辑上等价于 OpenCV 的梯度法但去掉了候选列表和排序。注意累积数组用的是CV_32SminMaxLoc支持整型不用转浮点。// pupil_hough.cpp bool houghInit(const cv::Mat gray, Pupil out, int peak) { cv::Mat edges, gradX, gradY; // Canny低阈值在前、高阈值在后这是 OpenCV 的参数顺序 cv::Canny(gray, edges, 50, 100, 3); cv::Sobel(gray, gradX, CV_32F, 1, 0, 3); // 水平梯度 cv::Sobel(gray, gradY, CV_32F, 0, 1, 3); // 垂直梯度 const int rMin 18, rMax 55; // 半径搜索范围按实际成像改 cv::Mat accum(gray.size(), CV_32S, cv::Scalar(0)); int bestAccum -1; cv::Point bestC(0, 0); int bestR rMin; for (int r rMin; r rMax; r) { accum.setTo(0); for (int y 0; y edges.rows; y) { const uchar* e edges.ptruchar(y); for (int x 0; x edges.cols; x) { if (!e[x]) continue; float gx gradX.atfloat(y, x); float gy gradY.atfloat(y, x); float len std::sqrt(gx * gx gy * gy); if (len 1e-3f) continue; // 弱梯度点跳过避免方向噪声 gx / len; gy / len; // 圆心可能位于梯度的正方向或负方向两侧都投票 for (int s -1; s 1; s 2) { int a cvRound(x - s * r * gx); int b cvRound(y - s * r * gy); if (a 0 || b 0 || a accum.cols || b accum.rows) continue; accum.atint(b, a) 1; } } } double maxVal; cv::Point maxLoc; cv::minMaxLoc(accum, nullptr, maxVal, nullptr, maxLoc); // 替代排序 if ((int)maxVal bestAccum) { bestAccum (int)maxVal; bestC maxLoc; bestR r; } } peak bestAccum; if (bestAccum kPeakThreshold) return false; // 峰值过低 → 判为闭眼帧 out.x (float)bestC.x; out.y (float)bestC.y; out.r (float)bestR; out.valid true; return true; }逐项说一下。rMin、rMax是整段代码里最需要按现场改的参数18 到 55 对应的是 320×240 分辨率下瞳孔半径的典型区间换成 640×480 就得整体翻倍写死会在换摄像头之后直接失效。len 1e-3f这个判断是必须的平坦区域梯度接近零归一化之后方向随机会往错误位置投一堆噪声票。kPeakThreshold就是闭眼帧的判据。它的取值不能凭感觉得用数据标定拿一段包含睁眼、闭眼、眨眼的视频把每帧的peak打出来看分布睁眼帧的峰值通常集中在高处闭眼帧掉到很低中间会有一段空档阈值放在空档里最稳。原始资料里也是用累积数组的最大值阈值来排除闭眼帧思路一致。3.3 半径范围与 Canny 阈值这组参数得按摄像头改预处理参数里最容易翻车的是 Canny 的双阈值。红外图像对比度高边缘响应强用 50/100 一般够但如果红外补光偏弱或者眼周有皮肤反光边缘会碎成一段一段这时候要把低阈值往下压到 30 左右同时把高阈值保持在低阈值的两到三倍避免噪声边缘被提上来。半径范围则跟成像距离直接相关。同一套代码换一个镜头位置瞳孔在画面里的大小可能差一倍。稳妥的做法是加一段自标定让使用者保持正常注视三秒统计前几十帧 Hough 给出的半径中位数再以这个中位数为中心上下浮动 40% 作为搜索范围。这比写死两个数字可靠得多也是我在实际项目里一定会补上的一步。3.4 怎么验证这一步没白改验证改进是否有效不能只看最后精度。我一般做三组对照原版排序法、只求最大值法、求最大值加闭眼过滤在同一段视频上比单帧耗时和峰值分布。前两者耗时差通常在 20% 到 40% 之间分辨率越高差距越明显第三者不改善耗时但能显著减少下游的脏数据。还有一个隐蔽的指标连续帧之间圆心的跳变幅度。Hough 阶段如果参数不稳圆心会在一两帧内跳动十几个像素这种抖动在轮廓匹配阶段很难完全拉回来。把连续帧的(x, y)差值画成曲线正常应该平滑出现尖刺就说明投票被噪声主导了。4. 轮廓匹配精修d r/10 与 40 对采样点是怎么定下来的Hough 给出初值之后真正决定精度的是轮廓匹配这一层。思路不复杂以初值圆为基准在圆心和半径各自允许的小范围内穷举对每个候选圆在圆周上均匀取若干对采样点每对包含一个稍微靠内的点和一个稍微靠外的点计算外侧灰度减内侧灰度的均值。瞳孔在红外图像里偏暗、周围虹膜偏亮所以真实瞳孔边缘对应的这个均值最大取最大者即为最优解。这个设计的好处是绕开了边缘提取的二值化损失。Canny 之后边缘只有一个像素宽的位置信息而这里直接在灰度图上采样配合双线性插值可以做到亚像素级抗噪能力也更好。4.1 圆环采样点的几何内外各偏 1 像素对圆周上角度为 θ 的点内外两个采样位置分别是p_in (x (r - 1) * cosθ, y (r - 1) * sinθ) p_out (x (r 1) * cosθ, y (r 1) * sinθ)偏移量取 1 像素是个有讲究的选择。取 0 的话内外两点重合差值为零代价函数失效取 2 或更大采样点容易跨过虹膜边界或者撞上睫毛把不属于瞳孔边缘的灰度差算进来。1 像素刚好跨在边缘两侧既能捕捉到梯度又不会越界。这个值跟成像的模糊程度有关图像越模糊边缘过渡带越宽偏移量可以适当放大到 2。采样点数 k 决定角度的分辨率。k 太小圆周上采样稀疏睫毛遮挡一段就可能让整个圆匹配到错误位置k 太大计算量线性上升而精度提升很快饱和。4.2 三层循环的代价函数搜索范围、采样点数、评分方式三个参数构成这段代码的全部。// pupil_contour.cpp static inline float bilinear(const cv::Mat img, float x, float y) { int x0 (int)std::floor(x), y0 (int)std::floor(y); if (x0 0 || y0 0 || x0 1 img.cols || y0 1 img.rows) return 0.f; // 越界返回 0等价于该点不参与 float fx x - x0, fy y - y0; const uchar* r0 img.ptruchar(y0); const uchar* r1 img.ptruchar(y0 1); return (1 - fx) * (1 - fy) * r0[x0] fx * (1 - fy) * r0[x0 1] (1 - fx) * fy * r1[x0] fx * fy * r1[x0 1]; } bool refineByContour(const cv::Mat gray, Pupil p) { const float d p.r / 10.0f; // 搜索半径 初值半径的 1/10 const int k 40; // 每圈 40 对采样点 const float dTheta 2.f * (float)CV_PI / k; float bestScore -1e9f; Pupil best p; for (float r p.r - d; r p.r d; r 1.0f) for (float cx p.x - d; cx p.x d; cx 1.0f) for (float cy p.y - d; cy p.y d; cy 1.0f) { if (r 2.f) continue; float sum 0.f; for (int i 0; i k; i) { float th i * dTheta; float c std::cos(th), s std::sin(th); float xin cx (r - 1.f) * c, yin cy (r - 1.f) * s; float xout cx (r 1.f) * c, yout cy (r 1.f) * s; sum bilinear(gray, xout, yout) - bilinear(gray, xin, yin); } float score sum / k; // 内外灰度差均值越大越像瞳孔边缘 if (score bestScore) { bestScore score; best {cx, cy, r, true, 0}; } } p best; return true; }算一下代价初值半径 30 时d 3三个维度各自 7 个取值共 343 个候选圆每个圆 40 对采样点、每对两次双线性插值总共约两万七千次采样。这个量级在 320×240 的分辨率下单帧控制在几十毫秒内是现实的原始资料给出的 60ms 也是同一量级。4.3 参数敏感性k 从 40 降到 30精度掉得比想象快采样点数 k 是最值得做一次扫参的参数。原始实验给出的对应关系大致是k采样点数检测精度该阶段耗时1050.0%5.2 ms2090.0%11.7 ms3099.0%15.9 ms4099.8%22.2 ms这张表说明的问题很直白k 小于 20 的时候圆周采样太稀疏随便一段睫毛遮挡就能把匹配拉偏精度断崖式下跌k 从 30 加到 40精度只涨了不到一个百分点耗时却多了近一半。所以 40 是精度和耗时之间一个偏保守的取值如果目标平台算力紧张30 是能接受的下限。d的影响同样明显只是方向相反。d 取初值半径的十分之一意味着允许圆心移动的幅度和允许半径伸缩的幅度是同一个量级取太大比如半径的一半搜索区域会覆盖到虹膜甚至眼睑最优解可能落到虹膜边界上取太小比如二十分之一Hough 初值偏得稍多就够不着真实边缘精修变成无效劳动。实验数据支持十分之一这个取值实际上它也和 Hough 阶段的位置误差量级是对得上的。4.4 双线性采样与亚像素如果偷懒用最近邻取整代码更快但精度会掉一截。原因是圆周采样点的坐标本身是浮点数取整之后相当于把采样位置量化到像素格相邻候选圆之间的分数差异被抹平最优解会在几个几乎同分的候选里随机跳表现出来就是直径在连续帧之间抖动一两个像素。双线性插值的代价是每次采样多几次乘加相对整个搜索来说可以忽略。真正需要注意的是边界处理——采样点落到图像外面时必须直接返回 0 并跳过而不是让指针越界。瞳孔贴近画面边缘的时候这种情况很常见一个数组越界就能让整个程序崩在最后一帧。5. 避坑与排查五个让精度悄悄归零的细节算法本身不难难的是把参数和实际数据对上。下面这几条都是复现过程中真实会撞上的按现象、原因、解决三段说清楚。5.1 闭眼帧没排除累积峰值一路污染下游现象视频里睁眼段检测很稳一到眨眼或者闭眼输出的圆心突然跳到画面某个角落闭眼结束后还要好几帧才恢复正常。原因闭眼时图像里仍然有大量边缘眼睑、睫毛、皮肤纹理Hough 照样能投出票来而且这些票分布分散最大值可能落在任何位置。没有门槛的话这个假圆会被当成有效结果往下一帧传。解决用累积峰值做门限低于kPeakThreshold直接返回无效帧同时在下游加一个状态机连续 N 帧无效才判定为闭眼避免单帧噪声导致的频繁切换。阈值不要拍脑袋导出peak序列看分布再定。5.2 先 Canny 还是先滤波顺序反了边缘全是毛刺现象边缘图上看瞳孔轮廓断断续续还夹杂大量零散短边Hough 投票被这些短边干扰。原因直接在原始灰度图上做 Canny传感器噪声会被当成边缘响应保留下来。梯度方向由噪声主导时投票方向完全随机。解决GaussianBlur必须在Canny之前且核大小与噪声尺度匹配。5×5 是通用起点噪声更大的红外相机可以试 7×7但别超过瞳孔半径的三分之一否则边缘被平滑掉Hough 找不到完整圆。5.3 半径范围写死换个镜头整个算法失效现象同一套代码换了采集设备检测率突然掉到个位数画面上明明能看到清晰的瞳孔。原因rMin、rMax是按某一固定成像距离标定的。镜头拉近瞳孔半径可能翻倍超出搜索范围Hough 永远找不到镜头拉远半径变小同样出界。解决加自标定流程启动时先用宽松范围比如 10 到 80跑几十帧取半径中位数 M再把正式范围设成[0.7M, 1.3M]。这一步在工程上只多写二十行能省掉大量现场调试。5.4 点对偏移量取 2 像素睫毛区域把匹配带偏现象眼睑开度较小或睫毛较长时精修后的圆明显偏大圆心向上偏移。原因内外采样偏移量从 1 改成 2 之后外侧采样点更容易越过瞳孔边缘进入睫毛区域那里灰度反而更暗导致灰度差被低估甚至变负代价函数对真实边缘不再敏感。解决偏移量保持 1 像素或者按图像模糊程度自适应。判断标准是把最优候选圆和真实边缘叠加看内外采样点是否恰好卡在灰度过渡带上。偏了就调不要凭理论值。5.5 OpenCV 版本差异函数签名变了程序编译不过现象照原始资料的写法复制C 风格接口在新版上找不到或者 Canny 参数顺序反了导致边缘图几乎全黑。原因老版本用的是cvCanny(img, edges, low, high, aperture)这类 C 接口新版统一成cv::Canny(src, dst, threshold1, threshold2, apertureSize)其中threshold1是低阈值。传入时如果按高阈值在前的习惯写效果会正好反过来。解决统一用 C 接口重写一遍编译期就能发现不匹配。参数顺序记牢先低后高。写完抽一帧把边缘图存下来肉眼确认比看编译通过更有意义。6. 二次开发把这套算法接进自己的眼动监测链路真要把这套东西用起来最后一层是时序处理。单帧精度再高逐帧独立输出也会有 ±1 像素的抖动直接拿去做注视点估计会让人眼疲劳数据非常难看。我一般会在tracker.cpp里加一个极简的一阶低通公式就一行效果立竿见影// tracker.cpp —— 抑制逐帧抖动alpha 越小越平滑但延迟越大 void Tracker::update(Pupil p, const Pupil last) { if (!p.valid) { missCount; return; } // 无效帧直接跳过不参与平滑 missCount 0; const float alpha 0.6f; // 0.5~0.7 之间比较稳妥 p.x alpha * p.x (1 - alpha) * last.x; p.y alpha * p.y (1 - alpha) * last.y; p.r alpha * p.r (1 - alpha) * last.r; }alpha的取值要跟帧率一起看。30fps 下取 0.6 大约引入一帧多一点的延迟肉眼几乎不可察觉如果是 60fps 且下游要做快速眼动分析可以提到 0.75牺牲一点平滑换响应速度。missCount用来区分偶发丢帧和真正的闭眼连续丢帧超过阈值就宣告一次眨眼事件逐帧的瞬时抖动则直接忽略。几个常见的改造方向按投入产出比排改造点做法收益感兴趣区域裁剪用上一帧圆心 ±2r 作为下一帧搜索窗耗时降一半以上亚像素初值Hough 后对峰值邻域做抛物线拟合圆心更稳精修范围可缩小双红外差分亮瞳暗瞳两路相减再走同一条链路抗环境光干扰明显改善多帧一致性校验连续三帧半径差超过阈值则丢弃抑制遮挡导致的跳变裁剪搜索窗这一条最值得先做。轮廓匹配的耗时代价是候选圆数量的线性函数而候选数量由搜索范围的三次方决定。把 Hough 的搜索限制在上一帧附近d还能进一步缩小到r/20单帧耗时能压到十几毫秒低端硬件上的实时性就这么来的。最后说个我踩过的坑。我一开始把所有参数都写在头文件里当常量调一次参数就得重编译一次一轮扫参下来半小时就没了。从那以后我每次做这类算法复现都强制走一遍参数外置到配置文件的流程半径范围、Canny 阈值、采样点数、搜索系数全部从config.yaml读改完直接重跑扫参效率完全不是一个量级。这套 Hough-Contour 的资料里参数给得很具体但具体不等于通用你手上那台相机的最优值大概率还得自己扫一遍。希望这些细节能帮你少走点弯路。本文还有配套的精品资源点击获取