cv2窗口最小化后视频捕获冻结及CPU占用过高问题咨询

原因 #

OpenCV的GUI渲染和事件循环是绑定的，cv2.imshow()、cv2.waitKey()的执行依赖窗口的可见状态，窗口最小化时GUI事件循环会被系统挂起；且你代码里把cv2.namedWindow()、cv2.resizeWindow()放到了while循环内部，每次循环都重复创建、调整窗口，进一步加剧了最小化时的逻辑阻塞。

解决办法 #

• 把窗口初始化逻辑移到while循环外部，只执行一次：

# 放在OpenCamera函数内、while循环之前
cv2.namedWindow("Frame", cv2.WINDOW_NORMAL)
cv2.resizeWindow("Frame", 512, 512)

• 增加窗口可见性判断，最小化时跳过GUI渲染逻辑，只保留帧读取和人脸检测逻辑：

# 替换原有imshow相关逻辑
if cv2.getWindowProperty("Frame", cv2.WND_PROP_VISIBLE) >= 1:
    if roi.any():
        cv2.imshow("Frame", roi)

CPU占用高主要来自不必要的高帧率、冗余计算、人脸检测的额外开销，可按以下优先级优化：

• 降低不必要的高采集帧率：你当前设置摄像头帧率为120fps，人脸检测场景下15~25fps完全足够，直接修改VideoStream初始化参数即可：

vs = VideoStream(0 + cv2.CAP_DSHOW, framerate=20).start()

• 修复灰度转换的逻辑bug：现有代码先把原始帧转灰度，又把彩色帧resize后覆盖了灰度变量，等于人脸检测实际处理的是彩色帧，多消耗了3倍左右的计算量，修改为：

# 先resize再转灰度，避免冗余计算
small_frame = imutils.resize(frame, width=240)
gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
# 人脸检测明确指定轻量模型，关闭上采样降低计算量
boxes = face_recognition.face_locations(gray, model="hog", number_of_times_to_upsample=0)

• 隔帧做人脸检测：人脸不会在几帧内发生大幅位移，可设置每2~3帧做一次检测，中间帧直接复用上次的人脸框坐标，直接降低一半以上的检测开销：

# 初始化时新增计数器和缓存变量
frame_count = 0
last_boxes = []
# 循环内替换检测逻辑
frame_count += 1
if frame_count % 2 == 0: # 每2帧检测一次，可按需调整间隔
    boxes = face_recognition.face_locations(gray)
    last_boxes = boxes
else:
    boxes = last_boxes

• 调大cv2.waitKey的延时：现有设置1ms会让循环空转占用CPU，改为30ms即可，对应30fps的渲染帧率，和采集帧率匹配即可：

key = cv2.waitKey(30) & 0xFF

• 卡通滤镜优化：bilateralFilter是计算密集型操作，开启卡通效果时，可先把ROI缩小到256px宽处理后再放大到512px，显著降低计算量。

内容的提问来源于stack exchange，提问作者NiceShyGuy