开源手机网站模板网站需求分析文档

1、OpenCV的后端是什么？

在 OpenCV 里，“后端”通常指Video I/O（VideoCapture、VideoWriter）或 GUI（HighGUI）真正依赖的底层实现，而不是说整个 OpenCV 库本身有一个统一的“后端”。换句话说，OpenCV 把“怎么读摄像头/视频文件/网络流”以及“怎么把图像显示到窗口”抽象成统一的 API，但底层到底用 FFmpeg、GStreamer、V4L2、DirectShow、MSMF、AVFoundation 还是 Qt、GTK、Win32，就由“后端”决定。

下面把常见“后端”按场景拆开说：

1. VideoCapture / VideoWriter 的后端

   • CAP_FFMPEG：用 FFmpeg 解码/编码，功能最全，跨平台。

   • CAP_GSTREAMER：用 GStreamer Pipeline，灵活、可接硬件编解码、网络流。

   • CAP_V4L2 / CAP_V4L：Linux 下直接访问摄像头或 V4L2 设备。

   • CAP_MSMF：Windows Media Foundation，Win10/11 默认。

   • CAP_DSHOW：老 Windows DirectShow。

   • CAP_AVFOUNDATION：macOS / iOS 的 AVFoundation。

   • CAP_OPENCV_MJPEG：内置 MJPEG 编解码，轻量但功能有限。
     使用时通过 cv::VideoCapture cap(0, cv::CAP_GSTREAMER); 或 cv::VideoCapture cap("rtsp://...", cv::CAP_FFMPEG); 指定后端，也可以让 OpenCV 自动探测。

2. HighGUI（窗口、事件、OpenGL）的后端

   • GTK / GTK3 / GTK4：Linux 下默认，用 X11/Wayland。

   • Qt：跨平台，支持 OpenGL、高 DPI。

   • Win32：Windows 原生。

   • Cocoa：macOS 原生。
     编译时通过 CMake 变量 WITH_GTK、WITH_QT、WITH_WIN32UI 等打开/关闭。

3. 深度神经网络推理后端（DNN 模块）

   • DNN_BACKEND_OPENCV：用 OpenCV 自带实现。

   • DNN_BACKEND_INFERENCE_ENGINE：Intel OpenVINO。

   • DNN_BACKEND_CUDA：用 cuDNN。

   • DNN_BACKEND_TIMVX / NPU / NNAPI：嵌入式芯片专用。

4. GPU 加速后端

   • CUDA：Nvidia GPU，需编译 opencv_contrib 里的 cuda 模块。

   • OpenCL：OpenCV 的 OCL 模块。

   • Vulkan：正在实验阶段。

OpenCV 的后端就是 OpenCV 在运行时真正调用的底层库/驱动/框架，决定了功能、性能、兼容性和可移植性。

OpenCV的cv2.VideoCapture 的“后端”（backend） 在底层实际调用哪个库或 API 来完成视频的采集、解码和读取。

不同操作系统、不同 OpenCV 版本编译时启用的选项不同，可用的后端也不同。选择正确的后端可以解决摄像头打不开、帧率过低、格式不支持、延迟高等问题。

2、Python如何查看OpenCV-python包支持的后端

import cv2
print(cv2.getBuildInformation())

得到的输出结果如下（内容过长有删减），OpenCV是4.12.0，是由发布方通过VS2022和CMake编译好的，重点看Video I/O这一块，可以看到多种后端，但是不支持Gtreamer后端。

General configuration for OpenCV 4.12.0 =====================================Version control:               4.12.0Platform:Timestamp:                   2025-07-04T16:40:32ZHost:                        Windows 10.0.26100 AMD64CMake:                       3.24.2CMake generator:             Visual Studio 17 2022CMake build tool:            C:/Program Files/Microsoft Visual Studio/2022/Enterprise/MSBuild/Current/Bin/amd64/MSBuild.exeMSVC:                        1944Configuration:               Debug ReleaseAlgorithm Hint:              ALGO_HINT_ACCURATEVideo I/O:FFMPEG:                      YES (prebuilt binaries)avcodec:                   YES (58.134.100)avformat:                  YES (58.76.100)avutil:                    YES (56.70.100)swscale:                   YES (5.9.100)avresample:                YES (4.0.0)GStreamer:                   NODirectShow:                  YESMedia Foundation:            YESDXVA:                      YES
-----------------------------------------------------------------

在构造 VideoCapture 时，把后端枚举作为第二个参数传入，但并不是所有的后端都可以用，要看当前的Opencv-python包支持哪些后端。不支持的后端cv2.CAP_GSTREAMER、cv2.CAP_V4L2、cv2.CAP_INTEL_MFX 等枚举虽然存在，但调用会报错或退化为默认行为，因为编译时没把它们编进来。

import cv2# 常用枚举速查
# cv2.CAP_FFMPEG, cv2.CAP_GSTREAMER, cv2.CAP_V4L2, cv2.CAP_DSHOW,
# cv2.CAP_MSMF, cv2.CAP_AVFOUNDATION, cv2.CAP_OPENCV_MJPEG 等cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)   # 强制使用 DirectShow（Windows）

3、Python如何查看和修改OpenCV-python包默认的后端

cv2.VideoCapture 的默认后端是 cv2.CAP_ANY，即 OpenCV 会根据编译配置自动选择第一个可用的后端。 在大多数官方预编译的 OpenCV 版本中（如通过 pip 安装的），默认通常是 FFmpeg (cv2.CAP_FFMPEG)。

import cv2
cap = cv2.VideoCapture(0)  # 0 表示默认摄像头
print(cap.getBackendName())  # 输出可能是 'MSMF'

输出的结果是MSMF，MSMF 是 Microsoft Media Foundation 的缩写，它是 Windows 平台上 OpenCV 的一个后端实现。这个返回值说明，当前系统使用的默认后端是 Media Foundation (cv2.CAP_MSMF)，而不是我之前提到的 FFmpeg。

在 Windows 系统 上，OpenCV 官方预编译的 Python 包（如通过 pip install opencv-python 安装的版本）默认启用了 MSMF 作为优先后端，特别是对于摄像头输入（VideoCapture(0)）。这是因为：

1. MSMF 是 Windows 原生的多媒体框架，兼容性更好，尤其适合摄像头。
2. FFmpeg 虽然功能强大，但在 Windows 上处理摄像头时可能不如 MSMF 稳定。

import cv2
cap = cv2.VideoCapture(0)  # 或视频文件路径
print(cap.getBackendName())  # 输出当前使用的后端名称
cap = cv2.VideoCapture(0, cv2.CAP_FFMPEG)  # 强制 FFmpeg
print(cap.getBackendName())  # 输出当前使用的后端名称

这个会报错，是因为FFmpeg 后端在 Windows 官方预编译的 opencv-python 包里只支持文件/流输入，不支持本地摄像头（VideoCapture(0)），对摄像头可用的后端只有：

1. cv2.CAP_MSMF（默认）
2. cv2.CAP_DSHOW
3. （个别版本还有 cv2.CAP_VFW、cv2.CAP_GSTREAMER，但一般未启用）

import cv2
cap = cv2.VideoCapture(0)  # 或视频文件路径
print(cap.getBackendName())  # 输出当前使用的后端名称
cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)  # 强制 DSHOW
print(cap.getBackendName())  # 输出当前使用的后端名称

4、Opencv为什么要加GStreamer后端？

OpenCV 把 GStreamer 做进 VideoCapture / VideoWriter 的后端，并不是为了“多一个选择”这么简单，而是因为它能在下面几个关键场景里把 FFmpeg、MSMF、V4L2 等“传统后端”做不到或做不好的事情一次性解决掉。

GStreamer 后端让 OpenCV 从“能打开视频”升级为“能把整条视频链路（采集→解码→加速→算法→编码→推流/存盘）用几行字符串就串起来”。在边缘计算、多路 RTSP、GPU 硬解/硬编、或需要跟厂商私有相机接口对接时，它比 FFmpeg/MSMF/V4L2 的组合更简洁、更高效、也更易维护。

5、OpenCV加GStreamer的方案对比？

表格的意思就是GStreamer要优于常规的后端，根据你的硬件是否有NVIDIA显卡，又会有CPU和GPU两种不同的方案，若没有NVIDIA GPU硬件：前两种方案（传统OpenCV 或 OpenCV + GStreamer CPU）是你的主要选择，或者考虑其他硬件平台的加速方案。至于第4种DeepStream方案：

1. 原生 Windows 不支持 DeepStream（包括 OpenCV 与 DeepStream 的完整组合）。
2. 想在 Windows 机器上用 DeepStream，只能用 WSL2（Windows Subsystem for Linux 2）方式。
3. OpenCV 本身在 Windows 下当然能用，但“OpenCV+DeepStream”这套组合必须落在 Linux 环境——不管是裸机 Linux 还是 WSL2 里的 Linux。

6、FFMPEG和GStreamer都可以借助NVIDIA进行加速，如何选择？

OpenCV 的 cv2.VideoCapture 支持通过 FFmpeg 和 GStreamer 进行视频采集，两者都能利用 NVIDIA GPU 进行硬件加速。但选择哪一个，取决于你的使用场景、硬件平台、开发复杂度和性能需求。

7、OpenCV加GStreamer后端为什么要源码编译？

OpenCV 使用 GStreamer 后端时通常需要源码编译，主要原因如下：

1. 官方预编译版本通常未启用 GStreamer 支持：官方提供的二进制版本（如 opencv-python 包）往往为了兼容性和体积考虑，不会默认启用 GStreamer 后端。
2. 依赖项和版本差异：GStreamer 本身有多个版本（如 1.0 和旧版 0.10），且依赖系统安装的插件库（如 libgstreamer1.0-dev、libgstreamer-plugins-base1.0-dev 等），不同系统环境可能版本不一致。源码编译能根据当前系统环境动态链接正确的 GStreamer 版本，避免因版本不匹配导致的功能缺失或崩溃。
3. 硬件加速与性能优化：在嵌入式设备（如 Jetson 系列、RK3588 等）上，GStreamer 常用于硬件编解码加速（如 NVDEC、V4L2 插件），但这些功能需要特定编译选项和驱动支持。预编译版本通常未针对特定硬件优化，而源码编译可启用 CUDA、OpenCL 等加速选项，配合 GStreamer 的硬件插件提升性能。
4. 自定义功能需求：需要启用 OpenCV 的扩展模块（如 opencv_contrib 中的 CNN 推理模块 dnn 或视频处理模块 videoio），或裁剪不需要的模块以减小库体积。
5. 调试与兼容性：某些平台（如 ARM 架构或定制 Linux 系统）的预编译库可能存在兼容性问题，源码编译可解决架构相关的依赖冲突。

8、OpenCV3文件夹介绍

本小节内容转载自https://www.jianshu.com/p/193a6d15ffe0

OpenCV 3 的源代码文件夹：

1. 3rdparty/: 包含第三方库，如用视频解码用的 ffmpeg、jpg、png、tiff 等图片的解码库。

2. apps/: 包含进行 Haar 分类器训练的工具，OpenCV 进行人脸检测便是基于 Haar 分类器。如果你想检测人脸以外的图片，千万不要错过这几个工具。

3. cmake/: 包含生成工程项目时 cmake 的依赖文件，用于只能搜索第三方库，普通开发者不需要关心这个文件夹的内容。

4. data/: 包含 OpenCV 库及范例中用到的资源文件，Haar 物体检测的分类器位于 haarcascades 子文件中。

5. doc/: 包含生成文档所需的源文件及辅助脚本。

6. include/: 包含入口头文件。OpenCV 子文件夹中是 C 语言风格的 API，也就是《学习 OpenCV》中描述的 API 函数，官方将逐渐淘汰 C 风格函数，因此我不推荐大家使用该文件夹中的头文件。OpenCV 2 子文件夹中只有一个 opencv.hpp 文件，这是 OpenCV 2 及 OpenCV 3 推荐使用的头文件。

7. modules/: 包含核心代码，OpenCV 真正的代码都在这个文件夹中。OpenCV 从 2.0 开始以模块的方式组织各种功能，近两年模块的数量增长得很快。

8. platforms/: 包含交叉编译所需的工具链及额外的代码，交叉编译指的是在一个操作系统中编译供另一个系统使用的文件。

9. samples/: 这是大家最喜欢的范例文件夹。

CPU模块：

1. androidcamera/: 仅用于 Android 平台，使得可以通过与其他平台相同的接口来控制 Android 设备的相机。

2. core/: 核心功能模块，定义了基本的数据结构，包括最重要的 Mat 类、XML 读写、OpenGL 三维渲染等。

3. imgproc/: 全称为 Image Processing，即图像处理，包括图像滤波、集合图像变换、直方图计算、形状描述子等。图像处理是计算机视觉的重要工具。

4. highgui/: 高级图形界面及多媒体文件读写，包括用户界面、Qt、对图像及视频文件的读写操作。

5. video/: 视频分析模块，包括背景提取、光流跟踪、卡尔曼滤波等，做视频监控的开发者会经常使用这个模块。

6. calib3d/: 相机标定及三维重建。相机标定用于取出相机自身缺陷导致的画面形变，还原真实的场景，确保计算的准确性。三维重建通常用在双目视觉（立体视觉），即两个标定后的摄像头观察同一个场景，通过计算两幅画面中的相关性来估计像素深度。

7. features2d/: 包含 2D 特征值检测的框架。包含各种特征值检测器及描述子，如 FAST、MSER、OBRB、BRISK 等。各类特征值拥有统一的算法接口，因此在不影响程序逻辑的情况下可以替换替换。

8. objdetect/: 物体检测模块，包括 Haar 分类器、SVM 检测器及文字检测。

9. ml/: 全称为 Machine Learning，即机器学习。包括统计模型、K 最近邻、支持向量机、决策树、神经网络等经典的机器学习算法。

10. flann/: 用于在多维空间内聚类及搜索的近似算法，做图像检索的开发者对它不会陌生。

11. photo/: 计算摄影学，包括图像修补、去噪、HDR 成像、非真实感渲染等。如果读者想实现 Photoshop 的高级功能，那么这个模块必不可少。

12. stitching:/ 图像拼接，可用于制作全景图。

13. nonfree/: 受专利保护的算法，包括 SIFT 和 SURF。从功能上来说，这两个算法属于 features2d 模块，但由于它们都是受专利保护的，相拥在项目中可能需要专利方的许可。

14. contrib:/ 包含新添加的实验性质的代码。开发者期待已久的人脸识别功能便位于这个模块内，名为 FaceRecognizer。

15. legacy/: 英文含义为遗产，即废弃已久的代码，官方不推荐使用这个模块中的功能。

16. optim/: 全称为 Optimization，这个模块包含通用的数值优化。包含线性规划等算法。

17. shape/: 形状匹配算法模块，用于描述形状、比较形状。

18. softcascade/: 另一种物体检测算法，Soft Cascade 分类器，包含检测模块和训练模块。

19. superres/: 全称为 Super Resolution，用于增强图像的分辨率。

20. videostab/: 全称为 Video Stabilization，用于解决相机移动拍摄时视频不够稳定的问题。

21. viz/: 三维可视化模块。可以认为这个模块实现了一个简单的三维可视化引擎，有各种 UI 空间和键盘、鼠标交互方式。底层实现基于 CTK 这个第三方库。

CUDA模块

1. 这些模块的名称都以 cuda 开始，cuda 是显卡制造商 NVIDIA 推出的通用计算语言，在 OpenCV 3 中有大量的模块已经被移植到了 cuda 语言。让我们依次看一下。

2. cuda/: CUDA- 加速的计算机视觉算法，包括数据结构 cuda::GpuMat、基于 cuda 的相机标定及三维重建等。

3. cudaarithm/: CUDA- 加速的矩阵运算模块。

4. cudabgsegm/: CUDA- 加速的背景分割模块，通常用于视频监控。

5. cudacodec/: CUDA- 加速的视频编码与解码。

6. cudafeatures2d/: CUDA- 加速的特征检测与描述模块，与 features2d/ 模块功能类似。

7. cudafilters/: CUDA- 加速的图像滤波。

8. cudaimgproc/: CUDA- 加速的图像处理算法，包含直方图计算、霍夫变换等。

9. cudaoptflow/: CUDA- 加速的光流检测算法。

10. cudastereo/: CUDA- 加速的立体视觉匹配算法。

11. cudawarping/: 实现 CUDA- 加速的快速图像变换，包括透视变换、旋转、改变尺寸等。

samples/ 文件夹

1. android/: Android 平台的范例。既有完全是 Java 的工程，也有完全是 C++ 的工程，也有更为常见的 Java 与 C++ 共存的工程。

2. c/: 使用 C API 的范例。在 C API 逐渐退出历史舞台后，这个文件夹也应该会随之消失吧。

3. cpp/: 由于 OpenCV 是一款 C++ 库，因此 C++ 的返利是最多的。

4. directx/: directx (d3d) 是微软的私有三维图像 API，这个文件夹中的范例覆盖了 d3d9、d3d10、d3d11.

5. gpu/: 利用 cuda 加速的范例。

6. java/: OpenCV 3 官方支持 Java 语言绑定，因此这里演示如何使用 Java 版本的 OpenCV。

7. python2/: OpenCV 3 官方支持 Python 语言绑定，因此这里演示使用 Python 2 版本的范例。

8. tapi/: tapi 是 OpenCV 3 的一个新特性，使用 cv::UMat 替代 cv::Mat，实现 CPU 和 GPU 的运算使用统一的接口，不再需要显式地在 CPU 和 GPU 之间传递数据，方便开发人员。

9. winrt/: Windows RT 平台的范例，开发语言是微软的 C++ “方言”.

samples/cpp/ 文件夹中的范例介绍

1. 3calibration.cpp/: 同时标定三台水平放置的相机。

2. bagofwords_classification.cpp/: 使用图像检测实现简易的图像搜索功能。

3. bgfg_gmg.cpp/: 演示 GMG 背景检测算法的使用方式。

4. bgfg_segm.cpp/: 演示高斯混合背景检测算法的使用方式。

5. brief_match_test.cpp/: 使用 BRIEF 特征值来匹配两张图像。

6. build3dmodel.cpp/: 演示如何使用基础矩阵和特征值来创建三维模型。

7. calibration.cpp/: 完整的多用途标定程序。

8. calibration_artificial.cpp/: 在程序中生成一个虚拟的相机，并进行标定。

9. camshiftdemo.cpp/: 读取实时的摄像头数据，并演示基于均值偏移算法的视频跟踪。

10. chamfer.cpp/: 使用 Chamfer 算法匹配两副边缘图像。

11. cloning_demo.cpp/: 命令行模式的图像克隆。

12. cloning_gui.cpp/: 图形界面交互的图像克隆。

13. connected_components.cpp/: 查找并绘制图像中的连通区域。

14. contours2.cpp/: 查找并绘制图像中的轮廓。

15. convexhull.cpp/: 查找并绘制由点的集合组成的凸包。

16. cout_mat.cpp/: 使用 cout 来输出各种格式化的 Mat 对象。

17. create_mask.cpp/: 演示如何创建黑白掩码图像。

18. dbt_face_detection.cpp/: 基于检测的人脸跟踪代码。

19. delaunay2.cpp/: 通过鼠标交互式地生成 Delaunay 三角形。

20. demhist.cpp/: 演示直方图的用法。

21. descriptor_extractor_matcher.cpp/: 演示 features2d 检测框架的用法。

22. detection_based_tracker_sample.cpp/: 与 dbt_face_detection.cpp 类似。

23. detector_descriptor_evaluation.cpp/: 评估各种特征检测器和描述子。

24. detector_descriptor_matcher_evaluation.cpp/: 评估各种特征检测器和匹配器。

25. dft.cpp/: 演示一幅图像的离散傅里叶变换。

26. distrans.cpp/: 显示边缘图像的距离变换值。

27. drawing.cpp/: 演示绘画和文字显示功能。

28. edge.cpp/: 演示 Canny 边缘检测。

29. em.cpp/: 对随机生成的数据点进行 EM 聚类。

30. fabmap_sample.cpp/: 演示 FAB-MAP 图像检索算法。

31. facerec_demo.cpp/: 人脸识别。

32. fback.cpp/: 实时的 Farneback 光流跟踪。

33. ffilldemo.cpp/: 演示 floodFill() 像素填充算法。

34. filestorage.cpp/: 演示序列化到外部文件，如yml、xml等。

35. fitellipse.cpp/: 将轮廓点匹配到椭圆。

36. freak_demo.cpp/: 演示 FREAK 特征值的用法。

37. gencolors.cpp/: 演示 generateColors()。

38. generic_descriptor_match.cpp/: 基于 SURF 的两幅图像间的匹配。

39. grabcut.cpp/: 演示 GrabCut 分割算法。

40. houghcircles.cpp/: 用霍夫算法检测圆。

41. houghlines.cpp/: 用霍夫算法检测直线。

42. hybridtrackingsample.cpp/: 混合跟踪算法（Hybrid Tracker）的演示。

43. image.cpp/: 来回转换 cv::Mat 和 IplImage。

44. image_alignment.cpp/: 演示 findTransformECC() 函数。

45. image_sequence.cpp/: 使用 VideoCapture 对象读取序列帧。

46. imagelist_creator.cpp/: 创建图像列表到 xml 文件。

47. inpaint.cpp/: 使用鼠标交互地进行图像修补。

48. intelperc_capture.cpp/: Intel 感知计算设备相关的函数。

49. kalman.cpp/: 使用卡尔曼滤波进行二维跟踪。

50. kmeans.cpp/: Kmeans 聚类算法的演示。

51. laplace.cpp/: 拉普拉斯边缘检测。

52. latentsvm_multidetect.cpp/: latentSVM 检测器。

53. letter_recog.cpp/: 字母识别。

54. linemod.cpp/: 基于 OpenNI 的体感设备应用。

55. lkdemo.cpp/: 演示Lukas-Kanade 光流法。

56. logpolar_bsm.cpp/: 演示 LogPolar 盲点模型。

57. lsd_lines.cpp/: LSD 线段检测。

58. matcher_simple.cpp/: SURF 特征检测。

59. matching_to_many_images.cpp/: 一对多的特征检测。

60. meanshift_segmentation.cpp/: 演示基于均值漂移的色彩分割函数——meanShiftSegmentation()。

61. minarea.cpp/: 寻找最小包围盒、包围圆。

62. morphology2.cpp/: 形态学图像处理。

63. npr_demo.cpp/: 演示各种非真实感渲染效果。

64. opencv_version.cpp/: 输出 OpenCV 库的版本号。

65. openni_capture.cpp/: 演示 OpenNI 相关的体感设备。

66. pca.cpp/: 基于 PCA 的人脸识别。

67. peopledetect.cpp/: 基于 cascade 或 hog 进行物体（人）检测。

68. phase_corr.cpp/: 演示 phaseCorrelate() 函数。

69. points_classifier.cpp/: 演示各种机器学习算法。

70. rgbdodometry.cpp/: 对深度传感器如 Kinect 的数据进行处理。

71. segment_objects.cpp/: 实时地在视频或相机画面中检测前景物体。

72. shape_example.cpp/: 比较并检索形状。

73. shape_transformation.cpp/: 用 SURF 特征值检测形状并进行变换。

74. squares.cpp/: 检测图像中的方块形状。

75. starter_imagelist.cpp/: 一个 “hello worl” 性质的入门范例。

76. starter_video.cpp/: 另一个 “hello worl” 性质的入门范例。

77. stereo_calib.cpp/: 双目视觉的标定。

78. stereo_match.cpp/: 计算左右视觉的图像的差异，生成点云文件。

79. stitching.cpp/: 演示图像拼接算法。

80. stitching_detailed.cpp/: 演示更多参数的图像拼接算法。

81. textdetection.cpp/: 实时场景中的文字定位与识别。

82. train_HOG.cpp/: 训练 HOG 分类器。

83. ufacedetect.cpp/: 人脸检测。

84. video_homography.cpp/: 使用 FAST 特征值来跟踪平面物体。

85. videostab.cpp/: 演示 videostab 中各个参数的用法。

86. watershed.cpp/: 演示著名的分水岭图像分割算法。

9、如何重新编译OpenCV源码？

9.1、获取源码，去github或利用git工具下载opencv和opencv-contirb源文件

git clone https://github.com/opencv/opencv/releases/tag/4.9.0
git clone https://github.com/opencv/opencv_contrib/releases/tag/4.9.0
但一般速度很慢，考虑用别的镜像
git clone --depth 1 https://gitee.com/mirrors/opencv.git -b 4.9.0
git clone --depth 1 https://gitee.com/mirrors/opencv_contrib.git -b 4.9.0cd opencv && git checkout 4.9.0
cd ../opencv_contrib && git checkout 4.9.0另外也可以借助浏览器下载zip，手动解压
https://github.com/opencv/opencv/archive/4.9.0.zip
https://github.com/opencv/opencv_contrib/archive/4.9.0.zip
解压后得到opencv、opencv_contrib两个文件夹

我是把下载下的opencv和opencv_contrib两个文件夹放到了D:/opencv_o文件夹下面。

9.2、创建构建目录，用于存放编译后的源码

手动在opencv文件夹下面再创建一个build空文件夹，路径为D:/opencv_o/opencv/build。

9.3、安装GStreamer，https://gstreamer.freedesktop.org/download/#windows

选择MSVC 64-bit下面的，runtime和development都要下载，得到两个msi文件：

1. gstreamer-1.0-msvc-x86_64-1.xx.msi
2. gstreamer-1.0-devel-msvc-x86_64-1.xx.msi

全部双击安装，路径默认即可，我装在D盘，D:\GStreamer\1.0\msvc_x86_64。安装完，把D:\GStreamer\1.0\msvc_x86_64\bin这个路径添加到系统环境变量。

9.4、下载安装Visual Studio 2022免费版，https://visualstudio.microsoft.com/zh-hans/downloads/

工作负载勾选“使用C++的桌面开发”（MSVC v143 + Windows 11 SDK）。

9.5、下载安装编译需要用到的工具CMAKE，https://cmake.org/

官网下 Windows x64 Installer，安装时记得把 “Add CMake to the system PATH” 打勾。

9.6、启动cmake-gui，进行配置

1. 在Where is the source code填D:/opencv_o/opencv
2. 在Where to build the binaries填D:/opencv_o/opencv/build

3. 点Configure，弹出的对话框里Generator选“Visual Studio 17 2022”，Platform选x64，Optional toolset 填cuda=C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v12.4，点击Finish，第一次Configure会跑1-2分钟，出现一片红色是正常的

4. 然后对选项中搜索关键词，进行如下操作：
5. WITH_GSTREAMER，打勾
6. BUILD_opencv_world，取消打勾
7. OPENCV_EXTRA_MODULES_PATH，填D:/opencv_o/opencv_contrib/modules
8. CMAKE_INSTALL_PREFIX，填D:/opencv_o/opencv/build/install
9. BUILD_TESTS / BUILD_PERF_TESTS / BUILD_EXAMPLES，取消打勾
10. OPENCV_ENABLE_NONEFREE，打勾
11. 看看有没有GSTREAMER_DIR，没有的话，需要Add Entry，Name填GSTREAMER_DIR，Value填D:/GStreamer/1.0/msvc_x86_64
12. 如果有NVIDIA的话，WITH_CUDA也可以打勾，但是要安装提前安装好CUDA和cuDNN（https://blog.csdn.net/csdn122345/article/details/147346003，注意安装CUDA时选择完整版，不要选精简版）。要能看到如下CUDA被检测到，才能确定没问题
13. 再次点击Configure，等着提示“Configuring done”，看看上面表格中是否还有红色条目。没有的话执行下一步
14. 点击Generate，等着提示“Generating done”
15. 点击Open Project，或者直接去双击D:/opencv_o/opencv/build/OpenCV.sln
16. VS打开后，顶部工具栏把“Debug”改为“Release”，平台保持x64
17. 在右侧Solution Explore（解决方案资源管理器）的CMakeTargets中找到ALL_BUILD，右键选择Build / 生成 / 生成解决方案，要一段时间才能完成
18. 如果编译报错，一般是xfeatures2d相关的报错，去D:\opencv_o\opencv\build\CMakeDownloadLog.txt查看哪些资源下载失败，一般是https://raw.githubusercontent.com/......，拷贝链接到浏览器，将githubusercontent改成gitmirror，即可下载缺少的资源，部分文件是没法下载的，是文本格式由服务器返回的，点击右键另存为文本即可。下载的东西一定要看放到哪个地方，正常是D:\opencv_o\opencv\.cache下面，看看是否需要额外创建文件夹，如ippicv,ffmpeg,data之类的
19. 然后重新Configure、Generate，再接着在VS里面，ALL_BUILD，右键选择清理，清理完，再右键选择重新生成，知道最后显示没有失败条目
20. 在右侧Solution Explore（解决方案资源管理器）的CMakeTargets中找到INSTALL（作用是把文件拷贝到CMAKE_INSTALL_PREFIX指定目录下），右键选择Build，编译完成的文件架构：D:\opencv_o\opencv\build\install，bin下面是各种dll，lib下面是各种lib，include/opencv2下面是各种hpp
21. 还有一个要注意的点，最后生成的opencv的python库在哪里？查看CMake的Configure下面的日志可以看出，最后生成的cv2文件夹以及pyd文件并不在build/install文件夹下，而是在下面的install path路径下。

    Python 3:

    Interpreter: D:/Software/anaconda3/python.exe (ver 3.11.5)

    Libraries: D:/Software/anaconda3/libs/python311.lib (ver 3.11.5)

    numpy: D:/Software/anaconda3/Lib/site-packages/numpy/core/include (ver 1.24.3)

    install path: D:/Software/anaconda3/Lib/site-packages/cv2/python-3.11

    Python (for build): D:/Software/anaconda3/python.exe