1.cv2.imread(filename, flags)

参数：
filepath：读入imge的完整路径
flags：标志位，{cv2.IMREAD_COLOR，cv2.IMREAD_GRAYSCALE，cv2.IMREAD_UNCHANGED}
cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道，可用1作为实参替代
cv2.IMREAD_GRAYSCALE：读入灰度图片，可用0作为实参替代
cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道，可用-1作为实参替代
PS：alpha通道，又称A通道，是一个8位的灰度通道，该通道用256级灰度来记录图像中的透明度复信息，定义透明、不透明和半透明区域，其中黑表示全透明，白表示不透明，灰表示半透明

2.copy.deepcopy()

copy.deepcopy()的用法是将某一个变量的值赋值给另一个变量(此时两个变量地址不同)，因为地址不同，所以可以防止变量间相互干扰。

举例：

a = [1, 2, 3]
d = a # a和d的地址相同
a[0] = 2 
print(d)
print(id(a), id(b)) # id() 输出a和d变量的地址​结果：
[2, 2, 3]
2063948923080 2063948923080import copy
a = [1, 2, 3]
d = copy.deepcopy(a) # a和d的地址不相同
a[0] = 2
print(d)
print(id(a), id(d))结果：
[1, 2, 3]
2793378037960 2793379617288

3.cap = cv2.VideoCapture(0)

参数0表示默认为笔记本的内置第一个摄像头，如果需要读取已有的视频则参数改为视频所在路径路径，如：cap=cv2.VideoCapture('video.mp4')

4.cv2.VideoCapture().set(propId, value)

功能：设置摄像头

举例：

cap=cv2.VideoCapture()cap.set(3, 640)
3表示设置视频流的帧的宽度
cap.set(4, 480)
4表示设置视频流的帧的高度功能：把视频流的帧的宽度设置为640,视频流的帧的高度为480

5.ret, oriImg = cap.read()

ret, oriImg = cap.read()返回值含义：
ret代表有没有读取到图片 ,为True 或者False
oriImg表示截取到一帧的图片

6.openpose_body_estimation()

输入预测图片进入openpose_body_estimation模型返回结果包含以下数据：
res (dict): 识别结果的列表，列表元素为 dict, 有以下两个字段：
data : 可视化图片内容(numpy.ndarray，BGR格式);
candidate: 图片中所有肢体关键点坐标;
subset: 不同的人不同关键点对应的关键点坐标的索引。

7.Candidate class，中文译为“候选集”，其作用是作为一种特殊的训练集而存在。

在分化出candidate class的过程中，数据处理者需要对原始的数据进行一些处理，为了模型的训练效果更好，需要额外筛选出一部分数据。候选集的诞生时间一般是在数据处理之后，特征工程之前。

8.cv2.circle(img, center, radius, color[, thickness[, lineType[, shift]]])

功能：根据给定的圆心和半径等画圆
img：输入的图片
center：圆心位置
radius：圆的半径
color：圆的颜色
thickness：圆形轮廓的粗细（数值为正）。负厚度表示要绘制实心圆。
lineType： 圆边界的类型。
shift：中心坐标和半径值中的小数位数。

9.np.array()

构造数组

a = [[1,2,3],[4,5,6]]
a = np.array(a)
#输出：
#[[1 2 3]
#[4 5 6]]

10.numpy.mean(a, axis, dtype, out，keepdims )

mean()函数功能：求取均值
经常操作的参数为axis，以m * n矩阵举例：

axis 不设置值，对 m*n 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵

11.numpy的astype（bool）和astype（int）

astype,处理数据作为布尔类型，也就是将数据变成true or false形式

import numpy as np
a=[[1,2,1],[2,3,5]]
b=[[0,0,0],[2,3,5]]
c=np.array(a).astype(bool)
d=np.array(b).astype(bool)#结果
#[[True True True]
# [True True True]]
#[[False False False]
# [True True True]]

astype（int）,处理数据作为整型类型

import numpy as np
a=[[1,2,1],[2,3,5]]
b=[[0,0,0],[2,3,5]]
c=np.array(a).astype(bool).astype(int)
d=np.array(b).astype(bool).astype(int)
print(c)
print(d)#结果
#[[1 1 1]
# [1 1 1]]
#[[0 0 0]
# [1 1 1]]

12.candidate[index.astype(int), 0]

它执行了一个基于index数组中指定行的索引操作，并从这些行中选择第一列（索引为0的列）的元素。具体来说，对于index数组中的每个元素i，都会从candidate的第i行（注意，这里的i是整数）中选择第一列的值。最终，这会生成一个新的数组或类似数组的结构，包含了所有指定行第一列的值。

import numpy as np  candidate = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  
index = np.array([0, 2])

candidate[index.astype(int), 0]将返回np.array([1, 7])，因为索引0和2分别对应candidate数组的第一行和第三行的第一列元素。由于index已经是整数类型，astype(int)在这里实际上没有改变其内容，但它确保了代码的健壮性。

13.np.mean(X)

用于计算输入数组（X）沿指定轴的平均值。

14.index = subset[n][np.array(limbSeq[i]) - 1]

np.array(limbSeq[i])-1：limbSeq[i]首先被转换成NumPy数组。然后对数组中每个元素执行-1操作，因为数组索引在Python中是从0开始的。

index = subset[n][np.array(limbSeq[i])-1]：使用调整后的索引（np.array(limbSeq[i])-1）从subset[n]中选择元素，并将这个元素赋值给变量index。

15.length = ((X[0] - X[1]) ** 2 + (Y[0] - Y[1]) ** 2) ** 0.5 

计算两点之间的距离（即两点坐标差的平方开根号）

16.angle = math.degrees(math.atan2(X[0] - X[1], Y[0] - Y[1])) 

math.atan2(y, x)，返回从原点 (0,0) 到 (x,y) 点的线段与 x 轴正方向之间的平面角度 (弧度值)。这边求math.atan2(y, x)即求从 X 轴正方向到点 (x, y) 形成的向量与 X 轴正方向之间的夹角的余角（两角之和为90度）

math.degrees 函数将弧度转换为度。

17.polygon = cv2.ellipse2Poly((int(mY), int(mX)), (int(length / 2), stickwidth), int(angle), 0, 360, 1)

(int(mY), int(mX))：这是椭圆中心的坐标，其中mY是y坐标，mX是x坐标。

(int(length / 2), stickwidth)：这是椭圆的半主轴长度。第一个值是椭圆长轴的一半，第二个值是椭圆的短轴长度。

int(angle)：这是椭圆相对于x轴的旋转角度，以度为单位。

0：这是弧的起始角度，以度为单位。设置为0意味着从椭圆的x轴正方向开始绘制。

360：这是弧的结束角度，以度为单位。设置为360意味着绘制整个椭圆。

1：这个参数表示输出的多边形是否闭合。1表示闭合

18.canvas = cv2.addWeighted(canvas, 0.4, cur_canvas, 0.6, 0)

canvas：第一个输入图像，它是加权和的结果将要被存储的地方

0.4：第一个图像的权重。

cur_canvas：第二个输入图像，它的每个像素值将与第一个图像的像素值进行加权和。

0.6：第二个图像的权重。

0：加在加权和上的标量值。

19.ffprobe_result = ffprobe(args.file)

用 ffprobe 工具来查询或分析一个媒体文件（如视频、音频文件）的详细信息。（ffprobe 是 FFmpeg 套件中的一个工具）

20.ffmpeg.input('pipe:',format='rawvideo',pix_fmt="bgr24",s='%sx%s'%(screen_width,screen_height),r=input_fps).output(output_file, pix_fmt=input_pix_fmt, vcodec=input_vcodec)

.overwrite_output()

.run_async(pipe_stdin=True)

设置一个从管道（pipe:）读取原始视频数据的输入，指定了视频的格式、像素格式、分辨率和帧率。然后将这个处理过的视频数据输出到一个文件中，指定了输出文件的像素格式和视频编解码器。最后，启用了覆盖输出文件的功能，并异步运行了这个命令，同时启用了通过管道标准输入（pipe_stdin=True）接收数据。

21.self.ff_proc.stdin.write(frame.tobytes())

frame.tobytes() ，调用假定 frame 是一个包含图像数据的对象（如 NumPy 数组），该方法将图像数据转换为字节序列，以便可以写入到 FFmpeg 进程的标准输入中。

frame.tobytes()，将frame转化成比特流格式

self.ff_proc.stdin.write()，向 FFmpeg 的 stdin 写入原始视频经过ff_proc设置的编码格式的帧数据

22.cap.isOpened()

指示视频文件或摄像头是否已成功打开。

23.cap.release()

用于释放视频捕获对象

24.自定义ffprobe(file_path)

command_array = ["ffprobe",

"-v", "quiet",

"-print_format", "json",

"-show_format",  

"-show_streams", file_path]

command_array构建了用于调用ffprobe并获取媒体文件信息的命令数组。

定义好之后，使用subprocess.run()函数来执行这个命令，并获取其输出：

result = subprocess.run(command_array, stdout=subprocess.PIPE, stderr=subprocess.PIPE, universal_newlines=True)

subprocess.run()函数被用来执行ffprobe命令，并捕获其标准输出（stdout）和标准错误输出（stderr）。stdout=subprocess.PIPE和stderr=subprocess.PIPE参数告诉subprocess.run()将输出和错误输出作为字节流捕获，然后可以通过result.stdout和result.stderr访问。

25.info = json.loads(ffprobe_result.json)

作用是将ffprobe命令执行后的JSON格式的结果转换为Python字典

26.args = parser.parse_args()

作用是解析命令行参数，并将解析的结果存储在一个命名空间中，然后这个命名空间被赋值给变量args。

27.output_file = ".".join(video_file.split(".")[:-1])+".processed." + postfix

1. video_file.split(".")：这个方法将video_file字符串按.分割成一个列表。例如，如果video_file是"example.mp4"，那么结果将是['example', 'mp4']。

2. video_file.split(".")[:-1]：通过在分割后的列表上使用切片[:-1]，移除了列表中的最后一个元素（即原始文件的扩展名）。因此，如果video_file是"example.mp4"，这一步的结果将是['example']。

3. ".".join(...)：这个方法将上一步得到的列表中的元素用.连接起来，形成一个新的字符串。所以，如果列表是['example']，结果将是"example"。

4. "...".join(...) + ".processed." + postfix：首先，我们将上一步得到的字符串（没有扩展名的原始文件名）与".processed."字符串连接起来。然后，我们再在这个新字符串的末尾添加另一个指定的扩展名（postfix）。例如，如果postfix是"avi"，那么最终的结果将是"example.processed.avi"。