[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Linzaer--Face-Track-Detect-Extract":3,"tool-Linzaer--Face-Track-Detect-Extract":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160411,2,"2026-04-18T23:33:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":76,"owner_website":76,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":154},9402,"Linzaer\u002FFace-Track-Detect-Extract","Face-Track-Detect-Extract"," 💎 Detect , track and extract the optimal face in multi-target faces (exclude side face and select the optimal face).","Face-Track-Detect-Extract 是一款专注于视频人脸处理的开源工具，能够自动检测、跟踪并从多目标场景中提取质量最优的人脸图像。它主要解决了在复杂视频环境中，传统方法难以剔除侧脸、模糊画面或遮挡干扰，从而无法获取高质量正面人脸数据的痛点。通过智能算法，该工具能自动过滤非正面角度，精准锁定并截取每个人最清晰、最标准的正脸图像。\n\n这款工具特别适合计算机视觉开发者、AI 研究人员以及需要构建人脸识别数据集的技术团队使用。无论是为卷积神经网络（CNN）训练准备高质量数据集，还是为后端人脸识别系统提供实时人脸素材，它都能高效完成任务。其核心技术亮点在于集成了 MTCNN 算法进行高精度检测与对齐，并结合跟踪技术确保在动态视频中持续锁定目标。此外，它还支持可选的五官关键点标注功能，方便用户进一步分析或可视化结果。只需简单运行命令，即可将视频批量转化为整齐存储的人脸图片库，极大提升了数据预处理的效率与规范性。","# Face Detection & Tracking & Extract\n\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg)\n![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002FDjango.svg)\n\n   This project can **detect** , **track** and **extract** the **optimal** face in multi-target faces (exclude side face and select the optimal face).\n   \n## Introduction\n* **Dependencies:**\n\t* Python 3.5+\n\t* Tensorflow\n\t* [**MTCNN**](https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Ftree\u002Fmaster\u002Fsrc\u002Falign)\n\t* Scikit-learn\n\t* Numpy\n\t* Numba\n\t* Opencv-python\n\t* Filterpy\n\n## Run\n* To run the python version of the code :\n```sh\npython3 start.py\n```\n* Then you can find  faces extracted stored in the floder **.\u002Ffacepics** .\n* If you want to draw 5 face landmarks on the face extracted,you just add the argument **face_landmarks**\n```sh\npython3 start.py --face_landmarks\n```\n## What can this project do?\n\n* You can run it to extract the optimal face for everyone from a lot of videos and use it as a training set for **CNN Training**.\n* You can also send the extracted face to the backend for **Face Recognition**.\n\n\n\n## Results\n![alt text](https:\u002F\u002Fraw.githubusercontent.com\u002Fwiki\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fpic4.gif \"scene 1\")\n![alt text](https:\u002F\u002Fraw.githubusercontent.com\u002Fwiki\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fpic5.jpg \"faces extracted\")\n\n## Special Thanks to:\n*  [**experimenting-with-sort**](https:\u002F\u002Fgithub.com\u002FZidanMusk\u002Fexperimenting-with-sort) \n\n## License\nMIT LICENSE\n\n","# 人脸检测、跟踪与提取\n\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg)\n![PyPI - Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002FDjango.svg)\n\n本项目能够**检测**、**跟踪**并**提取**多目标人脸中的**最佳**人脸（排除侧脸，选择最优的人脸）。\n\n## 简介\n* **依赖项：**\n\t* Python 3.5+\n\t* Tensorflow\n\t* [**MTCNN**](https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Ftree\u002Fmaster\u002Fsrc\u002Falign)\n\t* Scikit-learn\n\t* Numpy\n\t* Numba\n\t* Opencv-python\n\t* Filterpy\n\n## 运行\n* 要运行 Python 版本的代码：\n```sh\npython3 start.py\n```\n* 运行后，您可以在 **.\u002Ffacepics** 文件夹中找到提取出的人脸。\n* 如果您希望在提取的人脸上绘制 5 个面部关键点，只需添加 **face_landmarks** 参数即可：\n```sh\npython3 start.py --face_landmarks\n```\n\n## 该项目能做什么？\n\n* 您可以使用它从大量视频中为每个人提取最佳人脸，并将其用作 **CNN 训练** 的训练集。\n* 此外，您还可以将提取的人脸发送到后端进行**人脸识别**。\n\n\n## 结果\n![alt text](https:\u002F\u002Fraw.githubusercontent.com\u002Fwiki\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fpic4.gif \"场景 1\")\n![alt text](https:\u002F\u002Fraw.githubusercontent.com\u002Fwiki\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fpic5.jpg \"提取的人脸\")\n\n## 特别感谢：\n*  [**experimenting-with-sort**](https:\u002F\u002Fgithub.com\u002FZidanMusk\u002Fexperimenting-with-sort) \n\n## 许可证\nMIT 许可证","# Face-Track-Detect-Extract 快速上手指南\n\n本项目能够从多目标视频流中**检测**、**跟踪**并**提取**最优人脸（自动排除侧脸，选取最佳角度），适用于构建 CNN 训练数据集或后端人脸识别服务。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：3.5 及以上\n*   **核心依赖库**：\n    *   Tensorflow\n    *   MTCNN (用于人脸对齐)\n    *   Scikit-learn\n    *   Numpy\n    *   Numba\n    *   Opencv-python\n    *   Filterpy\n\n> **国内加速建议**：安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract.git\n    cd Face-Track-Detect-Extract\n    ```\n\n2.  **安装依赖**\n    请根据项目根目录下的 `requirements.txt`（如有）或直接使用 pip 安装所需库。建议使用虚拟环境：\n    ```bash\n    python3 -m venv venv\n    source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n    \n    # 推荐国内镜像源安装\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow scikit-learn numpy numba opencv-python filterpy\n    ```\n    *注：MTCNN 模块通常包含在 Facenet 相关实现中，如遇到导入错误，请确保已正确配置 `src\u002Falign` 路径或单独安装 MTCNN 包。*\n\n## 基本使用\n\n### 1. 启动人脸提取\n运行主脚本，程序将自动处理视频并提取最优人脸。提取结果将保存在 `.\u002Ffacepics` 文件夹中。\n\n```sh\npython3 start.py\n```\n\n### 2. 带 landmarks 标记提取（可选）\n如果您需要在提取的人脸图上绘制 5 个关键点（五官定位），请添加 `--face_landmarks` 参数：\n\n```sh\npython3 start.py --face_landmarks\n```\n\n运行完成后，请检查 `.\u002Ffacepics` 目录以获取处理后的图像数据。","某安防公司正在构建新一代人脸识别门禁系统，需要从海量监控视频中提取高质量人脸图像以训练高精度识别模型。\n\n### 没有 Face-Track-Detect-Extract 时\n- 人工筛选效率极低，开发人员需逐帧查看视频，手动截取正面清晰的人脸，耗时数周仅能处理少量数据。\n- 数据集质量参差不齐，混入了大量侧脸、模糊或被遮挡的无效样本，导致后续训练的 CNN 模型准确率难以提升。\n- 多目标场景下无法锁定最佳对象，当画面中出现多人时，传统脚本随机截取，经常误选非目标人物或姿态不佳的脸部。\n- 缺乏连续追踪能力，同一人在视频中不同片段被重复截取或遗漏，造成训练数据冗余或缺失，增加清洗成本。\n\n### 使用 Face-Track-Detect-Extract 后\n- 自动化批量处理，只需运行 `python3 start.py`，即可从数百小时视频中自动检测并提取最优人脸，将数周工作缩短至几小时。\n- 智能优选正面清晰图像，内置算法自动排除侧脸和劣质帧，确保输出到 `.\u002Ffacepics` 文件夹的均为高质量训练素材。\n- 多目标精准锁定，在人群密集场景中能跟踪特定个体并选取姿态最佳的帧，彻底解决误选和非目标干扰问题。\n- 时序追踪去重，利用跟踪算法连贯分析视频流，自动合并同一人的连续帧并去除冗余，直接生成结构化的纯净数据集。\n\nFace-Track-Detect-Extract 通过智能化的检测、追踪与优选机制，将繁琐的人工数据清洗转化为高效的自动化流程，为高精度人脸识别模型奠定了坚实的数据基础。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLinzaer_Face-Track-Detect-Extract_ed69216a.png","Linzaer","linzai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLinzaer_ff18c662.jpg","Stay hungry",null,"Shanghai","Linzaer@gmail.com","https:\u002F\u002Fgithub.com\u002FLinzaer",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,620,207,"2026-04-10T12:46:02","MIT","","未说明",{"notes":92,"python":93,"dependencies":94},"该项目主要用于从视频中检测、跟踪并提取最佳人脸（排除侧脸）。运行后提取的人脸将保存在 .\u002Ffacepics 文件夹中。若需绘制 5 个面部关键点，可添加 --face_landmarks 参数。README 中未明确指定操作系统、GPU 及内存的具体需求，通常此类基于 TensorFlow 和 OpenCV 的项目在 Linux、macOS 和 Windows 上均可运行，具体硬件需求取决于视频分辨率和处理速度要求。","3.5+",[95,96,97,98,99,100,101],"Tensorflow","MTCNN","Scikit-learn","Numpy","Numba","Opencv-python","Filterpy",[14,15],[104,105,106,107,108,109,110],"detection","tracking","face","extract","mtcnn","tensorflow","kalman-tracking","2026-03-27T02:49:30.150509","2026-04-19T09:26:01.301604",[114,119,124,129,134,139,144,149],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},42200,"运行代码时出现 'TypeError: tuple indices must be integers or slices, not tuple' 错误，如何解决？","这是因为 sklearn 版本更新导致 `linear_assignment` 函数位置变动。解决方法是注释掉原有的导入语句：`# from sklearn.utils.linear_assignment_ import linear_assignment`，并使用以下基于 scipy 的替代函数：\n```python\ndef linear_assignment(cost_matrix):\n    from scipy.optimize import linear_sum_assignment\n    x, y = linear_sum_assignment(cost_matrix)\n    return np.array(list(zip(x, y)))\n```","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F30",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},42201,"项目依赖的 numba 及其他库的具体版本是多少？","为避免兼容性 bug，建议使用以下特定版本组合：\n- filterpy: 1.3.1\n- llvmlite: 0.34.0\n- opencv-python: 4.0.46\n- tensorflow: 1.5.0\n- numba: 0.35.0\n- numpy: 1.16.0","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F23",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},42202,"运行时报错涉及 numpy 加载问题（如 encoding 错误或属性错误），该如何修复？","这是 numpy 版本不兼容导致的。请尝试将 numpy 版本降级或指定为 1.16.2。可以使用命令：`pip install numpy==1.16.2` 进行安装。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F9",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},42203,"多目标跟踪的基本原理是什么？在什么情况下会发生跟踪错乱？","原理：第一帧进行全局人脸检测，随后对每个人脸分配卡尔曼滤波器进行逐帧追踪。每隔若干帧进行一次全局检测，通过 IOU 重叠度与之前的追踪结果匹配；若高于阈值则用检测结果纠偏，否则移除追踪器。\n跟踪错乱的常见原因包括：画面跳帧、人脸质量低、人脸形变大、人脸密集导致重叠度高、人物移动速度过快以及人脸检测模型本身的误检。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F5",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},42204,"是否必须每隔 k 帧才运行一次检测模型？卡尔曼滤波在其中起什么作用？","建议检测间隔 k 值设在 1 到 5 之间。卡尔曼滤波非常必要，原因有二：\n1. 人脸运动通常均匀缓慢，卡尔曼滤波能准确预测下一帧位置。\n2. 人脸检测存在不确定性（如遮挡或低分漏检），卡尔曼滤波能通过预测连接前后帧，维持跟踪的连续性，防止因短暂漏检导致跟踪中断。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F12",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},42205,"如何将检测到的人脸图片按追踪 ID 分类保存到不同文件夹中？","每个追踪器对象都有一个名为 `id` 的字段。在保存裁剪后的人脸图片时，获取该 `id` 并将其作为文件夹名称或文件名的一部分传入保存函数即可实现按 ID 分类存储。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F11",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},42206,"多人脸跟踪时，部分人脸（即使是高质量正脸）未能成功保存到 facepic 文件夹，怎么办？","这通常发生在视频结束切换时。建议在视频读取结束（opencv read 返回空）触发 break 之前，添加逻辑通知追踪器强制销毁并保存当前帧的人脸图像。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F16",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},42207,"如何修改代码以支持摄像头实时输入而不是视频文件？","需要修改主程序中的输入源部分。将原本读取视频文件的路径参数替换为摄像头的设备索引（通常是 0）。例如，将 `cv2.VideoCapture('video.mp4')` 改为 `cv2.VideoCapture(0)` 即可调用默认摄像头。","https:\u002F\u002Fgithub.com\u002FLinzaer\u002FFace-Track-Detect-Extract\u002Fissues\u002F14",[]]