企业官网建设流程全解析

从零开始用 OpenCV 在视频上实时刷新 FPS，这件事我一开始也觉得挺简单，不就是putText往画面上写几个字嘛。真上手做才发现，里面藏着不少坑：帧率算不准、画面卡顿、内存暴涨、中文显示乱码……一个接一个。翻遍了很多教程，大部分只给个两三行的代码片段，原理讲不明白，出了问题也不知道怎么排查。这次我把自己的完整实践过程整理出来，从环境搭建到实时显示，再到常见坑的排查，基本覆盖了视频处理入门阶段最常用到的知识，希望能让后面入坑的朋友少走些弯路。

核心关键词先交代清楚：FPS 是指每秒传输帧数，也就是视频每秒钟刷新多少帧画面。在视频分析、实时监控、运动检测这些场景里，FPS 是最直观的性能指标。你在屏幕上看到的那个数字，直接反映了当前处理链路能不能跟得上视频源的节奏，所以几乎每个有实时处理需求的项目都会把它显示出来，方便随时评估效果。

如果你正准备学习图像处理、做计算机视觉相关的课程设计或者入门项目，这篇文章应该能帮上忙。我会尽量把每一步的“为什么”也讲清楚，而不是只给一份能跑的代码，因为只有理解了底层逻辑，遇到问题才知道往哪个方向排查。

1. 动手前的准备工作：环境搭建与工具选择

先把最基础的环境准备好。我用的是 Windows 系统做日常调试，生产环境放在某台 Ubuntu 服务器上跑，两边的坑不太一样，等下我会分开讲。

1.1 Python 版本与 OpenCV 安装方式对比

OpenCV 的 Python 绑定有两个主要版本源，很多人一开始会困惑到底装哪个。一个是opencv-python，这是由社区维护的预编译包，包含核心模块和优化后的库，日常开发用它完全够；另一个是opencv-contrib-python，额外包含了 SIFT、SURF 等扩展模块，如果你要做特征匹配相关的实验，直接装这个版本能省去不少编译的麻烦。

安装命令很简单：

pip install opencv-python

如果你需要扩展模块，就用：

pip install opencv-contrib-python

我建议新手直接装opencv-python，理由有两个。第一，它的包体积更小，安装速度快，不容易出现依赖冲突；第二，我们这次视频处理用到的视频读取、图像绘制、文本显示等功能都在核心模块里，不需要额外的扩展库。

顺手把 numpy 也装上，因为 OpenCV 的图像数据本质上就是一个 numpy 数组，后续做数组运算、图像切片都要用到它。虽然 OpenCV 依赖里会自动带上 numpy，但显式安装可以确保版本足够新，避免有一些旧版本的 api 差异问题。

1.2 验证安装是否成功的小技巧

装完别急着写代码，先做一步快速验证。打开终端，输入 Python，然后执行下面这段代码：

import cv2 print(cv2.__version__)

如果你能看到类似4.8.0这样的版本号输出，说明核心库没问题。再验证一下摄像头能不能正常打开：

import cv2 cap = cv2.VideoCapture(0) if not cap.isOpened(): print("camera open failed") else: print("camera open success") cap.release()

VideoCapture(0)里的 0 表示默认摄像头，如果电脑同时插了多个摄像头，这个参数可以改成 1、2 等不同索引。这段代码的意义在于，把“环境问题”和“代码问题”提前切分开。后面如果视频显示不出来了，你能更快定位到是摄像头驱动问题，还是自己的处理逻辑写错了。

2. 核心原理解读：为什么 FPS 不能直接算

很多人第一次写 FPS 显示功能，用的方法是把 1 除以每帧处理时间，写出来大概是这样的代码：

fps = 1 / (end_time - start_time)

这个思路方向上没问题，但在实际视频流里，这样算出来的数值会剧烈跳动。原因很好理解：视频帧的到达时间本身就不均匀，尤其是网络摄像头和视频文件，每一帧之间的间隔天然存在波动。你要是把这一帧的瞬时耗时当作 FPS 显示出来，画面上的数字就会在 20 到 40 之间疯狂横跳，看起来非常不稳定，也没法反映真实性能。

所以工程实践里的做法是“滑动窗口平均法”。简单说，就是统计过去 1 秒内处理了多少帧，用这个帧数作为当前 FPS 的估计值。你可以把它理解成计算汽车的平均速度：只看某一瞬间的速度表是不准的，要看这一段路程总耗时和总里程算出来的平均速度，才有参考意义。

2.1 基于时间窗口的平均帧率算法

最常用的实现方式是用一组固定的时间间隔，每过 1 秒统计一次帧数。核心逻辑是这样的：

• 记录上一秒的时间戳
• 统计这一秒内成功读取并处理了多少帧
• 下一秒更新 FPS 值

用伪代码表示就是：

start_time = time.time() frame_count = 0 fps = 0 while True: ret, frame = cap.read() if not ret: break frame_count += 1 current_time = time.time() if current_time - start_time >= 1.0: fps = frame_count / (current_time - start_time) frame_count = 0 start_time = current_time # 在画面上显示 fps

这个方法的优点是逻辑简单、结果稳定，数字不会频繁跳动。它的代价是 FPS 的更新频率是每秒一次，实时性稍差，但对于大部分视频处理和监控场景来说完全够用了。

2.2 使用 OpenCV 内置的 FPS 工具类

其实 OpenCV 自己提供了一个 FPS 计算工具，在cv2的utils模块里，类名叫FPS。我一开始也不知道有这东西，后来翻了官方文档才发现，这个类封装的正是滑动窗口平均算法，代码封装得比我手写的更严谨。

使用方法非常简洁：

from cv2.utils import FPS fps = FPS().start() while True: ret, frame = cap.read() if not ret: break # 处理帧... fps.update() if cv2.waitKey(1) & 0xFF == ord('q'): break fps.stop() fps_avg = fps.fps()

这个FPS类内部会自动记录开始时间、累计帧数，在调用fps()方法时返回平均帧率。它甚至自带elapsedTime()方法可以获取总耗时，用来做性能分析非常方便。

需要注意一点：这个类计算的是“从开始到现在”的全程平均帧率，而不是每秒更新的实时帧率。如果你希望看到的是实时波动情况，就得用前面说的手动窗口法。两者各有适用场景，没有绝对的好坏之分。

我个人的建议是：做性能基准测试时用 OpenCV 的FPS类，做实时显示时用手动窗口法。因为实时显示要的是“当前这一刻”的状态，全程平均值会掩盖掉短时间的性能抖动。

3. 从摄像头读取视频并实时显示 FPS

理论说得再多，不如直接跑一个能用的 Demo。下面我给出完整的代码，并且逐段解释每个关键函数的作用和参数含义。

3.1 完整可运行的代码示例

import time import cv2 def main(): # 打开摄像头，0 表示默认摄像头 cap = cv2.VideoCapture(0) if not cap.isOpened(): print("无法打开摄像头") return # 设置摄像头分辨率，降低分辨率可以提高处理速度 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) cap.set(cv2.CAP_PROP_FPS, 30) # 初始化 FPS 计算变量 start_time = time.time() frame_count = 0 fps = 0 while True: # 读取一帧画面 ret, frame = cap.read() if not ret: print("读取画面失败") break frame_count += 1 # 每隔 1 秒更新一次 FPS 值 current_time = time.time() if current_time - start_time >= 1.0: fps = frame_count / (current_time - start_time) frame_count = 0 start_time = current_time # 在画面的左上角显示 FPS 文本 text = f"FPS: {fps:.2f}" # 参数依次是：图像、文本、坐标、字体、字号、颜色、线宽、线条类型 cv2.putText(frame, text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2, cv2.LINE_AA) # 显示画面 cv2.namedWindow("Video", cv2.WINDOW_NORMAL) cv2.imshow("Video", frame) # 按下 q 键退出循环 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows() if __name__ == "__main__": main()

把这段代码保存为fps_demo.py，然后运行：

python fps_demo.py

不出意外的话，你会看到摄像头画面，左上角有一个绿色的 FPS 数字，按字母 Q 可以退出程序。这个示例涵盖了视频处理的四个基本步骤：读取画面、处理画面、显示画面、释放资源。这四步几乎可以在所有 OpenCV 视频项目里复用。

3.2 关键函数和参数逐个说明

上面代码里cv2.putText()是重头戏，把它的每个参数说清楚，之后你想调整文字大小、颜色、位置都会很方便：

• frame：要在哪张图像上绘制文本，直接传这一帧画面就行。
• text：要显示的内容，可以是纯文本，也可以像我们这样拼接一个变量。
• (10, 30)：文本左下角的坐标，单位是像素。(10, 30)表示离左边 10 像素、离上边 30 像素的位置。想放在其他位置，调整这两个数字就行。
• cv2.FONT_HERSHEY_SIMPLEX：字体类型。OpenCV 内置了好几种字体，这个是最常用的基础字形，线条清晰，适合显示在画面上。
• 1：字号缩放比例。这个值越大字越大，1.0 在 640x480 的分辨率下看起来比较协调，如果画面分辨率更高，可以适当加大到 1.5 甚至 2。
• (0, 255, 0)：文字颜色，BGR 格式，不是平时听说的 RGB。(0, 255, 0)是纯绿色，(0, 0, 255)是红色，(255, 255, 255)是白色。
• 2：线条粗细，单位是像素。线宽太大文字会看起来很粗，太小又可能看不清，建议范围在 1 到 3 之间。
• cv2.LINE_AA：线条类型，AA是抗锯齿的意思。加了它会显示更平滑，尤其是小字号文字，差别很明显。

还有一个值得专门提一下的细节，cv2.waitKey(1)这个函数有两个作用。第一个作用是等待 1 毫秒，让画面有机会刷新出来，如果没有这一行，窗口会直接无响应；第二个作用是接收键盘输入，返回值经过位运算& 0xFF处理后，可以跟 ASCII 码比对，用来判断是否按下了某个键。新手经常漏写这一行，结果发现窗口一闪而过或者直接卡死。

4. 从视频文件读取并显示 FPS

摄像头是实时视频源，而视频文件是另一个常见输入源。处理视频文件和处理摄像头，在代码结构上没有本质区别，无非是把VideoCapture(0)换成VideoCapture("video.mp4")。但真正跑起来你会发现，两者的表现差别很大，有必要单独说一下。

4.1 视频文件来源与摄像头输入的差异

视频文件的帧率通常是固定的，比如 30 FPS 的文件就是每秒 30 帧。OpenCV 读取文件时，会尽量按原始帧率逐帧读取。如果你的处理逻辑比较快，实际读取速度就跟原始帧率保持一致；但如果处理逻辑很慢，比如每帧要做耗时几十毫秒的计算，程序就会跟不上播放速度，表现出来就是画面变慢。

摄像头的情况则反过来了。摄像头是实时采集设备，它的输出帧率取决于硬件能力和环境亮度，整体相对稳定，但每帧之间的间隔会有波动。所以针对两种不同视频源，FPS 显示的含义也不同：

理解这层区别之后，你就能明白为什么有时候读视频文件显示的 FPS 比原始文件高。我自己就遇到过这个现象，后来一查资料才明白，那是因为 OpenCV 读取文件时并不会主动等待,处理完一帧马上就去读下一帧了，在解码耗时低的情况下，单位时间内处理的帧数可能比文件的原始帧率还高,看起来 FPS 数值就虚高了。

4.2 控制播放速度与 FPS 显示的稳定性

如果希望视频文件按原始速度播放，一个通用的做法是在读取下一帧之前做延时等待。前置知识：视频文件的帧间隔是固定的，如果当前处理耗时比原始帧间隔短，就主动 sleep 一段时间去补上剩余时间。

代码可以这样改：

import time video_fps = cap.get(cv2.CAP_PROP_FPS) frame_interval = 1.0 / video_fps while True: loop_start = time.time() ret, frame = cap.read() if not ret: break process_frame(frame) elapsed = time.time() - loop_start if elapsed < frame_interval: time.sleep(frame_interval - elapsed)

这一小段逻辑在真实项目里特别有用。比如你写了一个车辆检测算法，测试时希望看到和真实监控画面一致的播放节奏，没有这个等待逻辑，画面会像加速播放一样快速闪过，根本没法观察效果。

另外一个值得注意的坑是，很多视频文件编码方式不同，有的 OpenCV 默认解码器解不开，表现是cap.read()直接返回False。遇到这种情况，可以先试试用pip install opencv-contrib-python安装扩展包，里面带了解更多解码器，实在不行再用ffmpeg转格式，把视频转成 H.264 编码的 MP4 文件，兼容性最好。

5. 进阶优化与常见问题排查

基础功能跑通之后，下面这些优化和排查经验才是真正提升你效率的地方，也是我在实际项目中反复踩坑总结出来的。

5.1 让 FPS 显示更稳定的三种手段

前面提到手动窗口法会让 FPS 每秒更新一次，但如果你觉得即使在 1 秒窗口内，数值还是偶尔跳一下，可以试试这几个优化手段：

• 多重窗口取平均：维护最近 5 个 1 秒窗口的数据，取平均值展示。这个方法对像瞬间卡顿造成的掉帧非常有效，数字会平滑很多，但是会引入额外延迟，实时性要求极高的场景请慎用。
• 指数移动平均：这个思路是做瞬时帧率，同时让变化不会太突兀。公式是fps_smooth = alpha * fps_current + (1 - alpha) * fps_smooth，alpha通常取 0.1 到 0.3 之间。它的特点是响应快，又不会像瞬时值那样剧烈抖动。我自己做运动检测的项目时用的是这个方法，效果相当不错。
• 显示取整：单纯把fps取整显示成整数循环取整，也能减少视觉上的跳动感。

这三种方法各有取舍。简单场景用第 3 种就够了，需要平衡实时性和稳定性的用第 2 种，对稳定性要求很高的用第 1 种。

5.2 常见异常现象与解决思路速查表

把我在实践中常遇到的问题和对应的排查路径整理成一个表格，遇到问题时可以对照着看：

关于中文乱码问题多说几句，这是所有中文开发者绕不开的一个坎。cv2.putText能正常显示英文和数字，但传入中文字符串时通常会显示成问号或乱码。一个可用的替代方案是使用 PIL（Pillow）库的ImageDraw绘制中文，再把结果转回 numpy 数组传给 OpenCV。虽然转换过程多了一步，但方案很稳定，建议需要显示中文标签的时候直接用它。

5.3 资源释放的细节不要忽视

代码写完了，最后一件事是把资源清理干净。运行结束后的cap.release()和cv2.destroyAllWindows()两行不能省。摄像头资源不释放，下一次运行程序时会发现摄像头一直打不开，或者提示被占用，排查起来非常抓狂。我记得有一次调试程序时，改了好几行代码都没找到摄像头打不开的原因，最后发现是上一个异常退出的进程没有释放摄像头资源。血的教训。

如果你经常用 jupyter notebook 调试，注意每次运行完都要手动执行资源释放，不然摄像头会被上一次运行的会话锁住。

6. 延伸实战：把 FPS 信息叠加到录制视频中

到这一步，实时显示 FPS 的核心内容已经完整覆盖了。最后再分享一个我在实际中很常用的延展方案：把处理后的画面连同 FPS 一起保存成新的视频文件。这个功能在做演示、项目答辩、效果汇报时非常有价值，评审人直接看视频就知道你系统的处理性能。

6.1 使用 VideoWriter 保存带 FPS 信息的视频

代码结构也不复杂，在原有逻辑上增加一个VideoWriter对象：

import cv2 cap = cv2.VideoCapture("input.mp4") if not cap.isOpened(): print("视频打开失败") exit() # 获取原始视频的尺寸和帧率，用于保持输出视频的一致性 width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) fourcc = cv2.VideoWriter_fourcc(*'mp4v') out = cv2.VideoWriter("output.mp4", fourcc, fps, (width, height)) while True: ret, frame = cap.read() if not ret: break # 绘制 FPS 信息到画面 cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) out.write(frame) cv2.imshow("Processing", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() out.release() cv2.destroyAllWindows()

这段代码里的关键是cv2.VideoWriter_fourcc(*'mp4v')，fourcc是视频编码格式的标识符，mp4v是 MP4 容器下兼容性较好的编码，基本所有播放器都能打开。如果你需要更小的文件体积，可以试试avc1编码，但部分老播放器不支持解码。

输出视频的帧率设置也值得注意，别想当然地认为写多大都行。如果输出帧率设置得比实际处理帧率高，视频播放时会显示为慢动作；设置低了则相反，视频看起来像快进。最稳妥的做法就是像示例代码里那样，直接从输入视频的参数中读取并复用。

我在一个运动检测项目里就这样做过，把每一帧检测结果、目标框、FPS 都绘制到画面里，然后录制成带标注的视频，后面的结果分析应回归复盘都是基于那段视频，比纸质记录直观太多了，也让报告的交付结果清晰了很多。

到了这里，整个主题就讲透了。动手试一遍，用你的摄像头跑一次实时 FPS 显示，再换一个视频文件练手，感受一下两种视频源的差异，你会对视频处理这一整套流程有更扎实的把握。后续想深入的话，可以尝试在每一帧里叠加目标检测框、画运动轨迹、做背景差分，这些技术在学会了基础显示之后，顺水推舟就都会了。