你有没有试过在 400MHz 的单片机上跑人脸检测？没有操作系统，没有 GPU，RAM 才 512KB。OpenMV 做到了，而且还能驱动舵机实时追踪。
这块小板的思路很野：不跟 Jetson Nano 比算力，而是把视觉流程压到极致。传感器直连 MCU，MicroPython 裁剪到秒级启动，所有图像函数都用 C 内联。说白了，就是砍掉一切通用计算的包袱，只留一条流水线：采集 → 检测 → 追踪 → 输出。
检测：为什么还坚持用 Haar Cascade
大部分人觉得 Haar 该进博物馆了，但放在资源受限的场景里，它依然是最合适的。YOLO 这些方案动辄要几 MB 模型和浮点加速，而 Haar 的推理只用整型加减，关键路径能跑在 MCU 的定点单元上。
它怎么判断一张脸？拿几个经典模板举例：
[■■|□□] → 垂直边缘（鼻梁与脸颊对比）
[■|□] → 水平线条（双眼与额头分界）
[■■■|□□□|■■■] → 中心亮、两边暗（典型的面部结构）
这些模板在图像上滑动，每滑一次就要算一堆矩形和的差值。听上去很慢，但 OpenMV 用了一个老技巧——积分图。
积分图的原理就一句话：提前存好每个点左上角所有像素的和，后续任何矩形区域求和只需 4 次查表和 3 次加减。不管矩形面积多大，计算开销都是常数。这就是 Haar 能在低端芯片上实时跑的根本原因。
追踪部分没有银弹
原文没展开质心跟踪，但常见做法是：检测到人脸后，用二值化或色块跟踪其质心，然后控制舵机做 PID 跟随。这套组合省资源，但是强光或遮挡一来就容易丢掉目标。实际部署时你会反复调阈值、加滤波，没有一次搞定的好事。
OpenMV 的招牌就是把这坨零散的工程细节封进了 MicroPython 接口，几行脚本就能搭个追脸系统。但你要是想在生产环境用，还是得钻进 C 源码调 ROI 和采样率。
