在本系列上一篇文章中，我们为大家展示了如何通过 OpenCV 调用 CSI/USB 摄像头，在本篇文章中，我们将向大家介绍如何执行常见机器视觉应用。
在上一篇文章中，已经简单说明了图像处理与计算机视觉的差异，并且在 Jetson Nano 2GB 上，结合 CSI 摄像头与 JetPack 所提供的 OpenCV 4.1.1 版本，实现了三种最基础的应用。每个 Python 代码都只需要 10+ 行就可以，让大家轻松感受到 Jetson Nano 2GB 的开发便利性。
本篇内容主要是在 Jetson Nano 2GB 上运用 OpenCV，执行三个有特色的计算机视觉应用，这部分会很频繁的运用到色彩空间（color space）转换技巧，在 OpenCV 上只需要一道“cv2.cvtColor()”指令就可以实现，非常简单。
接下来就开始本文的实验内容。
追踪特定颜色物件
本范例追踪“绿色”物体，执行步骤如下：
- 先找出“绿色”的 HSV 颜色范围，本处定在[50,100,100]至[70,255,255]
- 将读入的图像（frame）透过 cv2.cvtColor() 转成 HSV 格式，存到 hsv 变量
- 用 cv2.inRange() 函数找出 hsv 的掩码，存到 mask 变量
- 用 cv2.bitwize_and() 函数将 frame 与 mask 进行 AND 计算，过滤掉“非绿”部分，将结果存到 detect 变量
- 将原图（frame）、掩码（mask）与结果（detect) 显示在画面上
执行结果如下：
边缘检测（Edge Detection）
执行步骤如下：
- 这个计算必须将图像转成灰度图像，才能计算出每个物件的边缘线条
- 将读入的图像（frame）透过 cv2.cvtColor 转成 HSV 灰度图像，存到 hsv 变量
- 为了降低图形的噪点，因此需要将 HSV 灰度图进行高斯模糊（降噪）处理，直接调用 cv2.GaussianBlur() 函数进行转换，将图像存到 blur 变量中
- 最后调用 cv2.Canny() 函数为 blur 图像找出边际线条，存入 edges 变量中
为了显示过着中所有图像，因此先将每张图像都调整尺寸为(640,480),然后执行三次 np.concatenate() 函数，将四张图像集成为一张，便于显示。
执行结果如下：
人脸追踪+眼睛追踪
这个代码调用 OpenCV 自带的 HaarCascade 算法分类器，调用方式也很简单，需要指定脸部分类器（classifier）的位置，在 /usr/local/share/opencv4/haarcascades 下面，里面提供将近 20 种分类器，可以按照需求变更。
这个范例也将“眼睛”识别分类器放进去，并且嵌套在脸部识别的循环里面，因为眼睛一定在脸里面，这样可以做的更丰富些。
详细代码如下：
执行结果如下：蓝色框代表找到的“脸”，绿色框表示“眼睛”。
