上篇文章我們看到了效果，這篇文章來回答怎么實現的，也學一下通用的CV編程。
文件不多，工作量不大
init是包的入口，使用點號絕對路徑導入
在上層目錄里面串聯著要使用的所有庫
在看一眼效果，倆鼻孔真好看
庫使用了精確的除法：
from __future__ import division導入Python未來支持的語言特征division(精確除法)，當我們沒有在程序中導入該特征時，"/"操作符執行的是截斷除法(Truncating Division),當我們導入精確除法之后，"/"執行的是精確除法，如下所示：
> 3/40> from __future__ import division> 3/40.75
導入精確除法后，若要執行截斷除法，可以使用"http://"操作符：
接下來讀pupil的源碼
一定要找到依賴庫最少相對獨立的文件，這樣的實現很重要，大家都依賴。
接著看結構，只有一個類
init方法
事實上初始化的方法會確定很多東西，保證我們的程序按照一個可控的情況取運行。
最后的函數在下面有實現。
把虹膜摳出來
先說使用的裝飾器：
既然@staticmethod和@classmethod都可以直接類名.方法名()來調用，那他們有什么區別呢？從它們的使用上來看：
@staticmethod不需要表示自身對象的self和自身類的cls參數，就跟使用函數一樣。
@classmethod也不需要self參數，但第一個參數需要是表示自身類的cls參數。
如果在@staticmethod中要調用到這個類的一些屬性方法，只能直接類名.屬性名或類名.方法名。
而@classmethod因為持有cls參數，可以來調用類的屬性，類的方法，實例化對象等，避免硬編碼。
好處就是避免亂拉屎的情況。
CV是，先搞一個小的像素點，接著雙邊濾波一下，那么什么是雙邊略波？
雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結合圖像的空間鄰近度和像素值相似度的一種折衷處理，同時考慮空域信息和灰度相似性，達到保邊去噪的目的。均值濾波、中值濾波和高斯濾波，都屬于各向同性濾波，它們對待噪聲和圖像的邊緣信息都采取一樣的態度，結果，噪聲被磨平的同時，圖像中具有重要地位的邊緣、紋理和細節也同時被抹平了，這是我們所不希望看到的。具有簡單、非迭代、局部的特點。雙邊濾波器的好處是可以做邊緣保存（edge preserving），一般過去用的維納濾波或者高斯濾波去降噪，都會較明顯地模糊邊緣，對于高頻細節的保護效果并不明顯，為了解決這個問題，人們陸續提出了一些算法來把圖像邊緣和噪聲區別對待，比如雙邊濾波和導向濾波。
變得清晰了一些，然后腐蝕一下，變得大一點，二值化，最后把值返回。
檢測虹膜并且找到對應得位置。
函數一開始沒有說得，這里是尋找輪廓，以樹形結構輸出信息，儲存所有點得信息。
輸出是：
Python3里返回三個值：image,contours,hierarchy
image：可能是跟輸入contour類似的一張二值圖；
contours：list結構，列表中每個元素代表一個邊沿信息。每個元素是(x,1,2)的三維向量，x表示該條邊沿里共有多少個像素點，第三維的那個“2”表示每個點的橫、縱坐標；
注意：如果輸入選擇cv2.CHAIN_APPROX_SIMPLE，則contours中一個list元素所包含的x點之間應該用直線連接起來，這個可以用cv2.drawContours()函數觀察一下效果。
hierarchy：返回類型是(x,4)的二維ndarray。x和contours里的x是一樣的意思。如果輸入選擇cv2.RETR_TREE，則以樹形結構組織輸出，hierarchy的四列分別對應下一個輪廓編號、上一個輪廓編號、父輪廓編號、子輪廓編號，該值為負數表示沒有對應項。
使用了：
這樣得處理辦法，提取了我要的東西
下面是排序了一下，按照輪廓的面積排布。
排序是從小到大，現在又取了最后兩個，兩個最大的眼孔。
接下來看這個
就是幾個函數而已
接著初始化
左右眼要同時滿足才算矯正
閾值是左右眼都有，求和除以長度，有點面密度的味道
虹膜占多大
這個圖清晰吧
先取中間的RIO區域，把圖像抽取出來，X完以后就是一個面積，之后-不為黑色位置，不就是白色圈。最后一比
開始使用遍歷的方法來找到二值化的閾值是多少
先計算一下平均的虹膜大小，創建一個數據容器，按照5的step計算20次。
這里注意，二值化的函數返回值有兩個，需要[1]，讀取的是第二個參數的內容，是一張圖。
接著計算這圖的比值，將內容放到字典里面。
最后把20次的內容，做計算，事實上，使用的內置的min函數：
語法：min(iterable, *[, key, default])
參數：iterable是可迭代的對象，key指定尋找最小值的關鍵字，若key不指定則采用默認位置，與內置函數sorted類似
返回值：返回值是iterable中尋找到的最小值
我們要的是瞳孔的位置，所以比值要小，這里取小。
如圖所示
這里就是可以一個眼睛一個眼睛的校準，存到字典里面
校準20次就可以了
最后一個
上面那么多內容都是給它做準備
初始化
先用dlib找到人臉，接著是把要尋找的特征文件準備好，下面一個函數把姿態點計算出來。
@property的作用：
廣泛用于類的定義中，把方法變成屬性，保證對參數進行必要的檢查，減少程序運行時出錯的可能性。
是否定位的函數
在我們上面分析的代碼里面
漏了一個函數，補全：
讀這個
初始化的內容
內置的工具函數，下劃線為了訪問限制
這個函數比較復雜
把里面的點解出來，放一個數組里面，轉換數據類型，放在新的數組里面
寫挺明白的了
轉換過的點在這里
把眼睛割出來
X[:,0]是numpy中數組的一種寫法，表示對一個二維數組，取該二維數組第一維中的所有數據，第二維中取第0個數據，直觀來說，X[:,0]就是取所有行的第0個數據, X[:,1] 就是取所有行的第1個數據。
然后
大概就這樣把
?前面4個取點，后面兩個算東西，接著算比值
如圖
寫不動了。。。我之后出個補篇，把屁股擦了。
