对于装甲板的规范

在原图中寻找目标，并返回是否找到:
    一.寻找所有可能的灯条
        1.单通道,只用一个红或蓝通道
        2.两种不同的二值化阈值，应对不同亮度
        3.开闭运算：腐蚀一次，膨胀两次，再腐蚀一次，大小均为（3,5）
        4.轮廓提取
        5.只对没有子轮廓的轮廓进行判断:是否为有效灯条
            1)最小外接矩形的长宽比范围：(1.2,10)
            2)最小外界矩形的面积<50 且凸度（轮廓面积和其最小外接矩形面积之比）>0.4
            3)最小外界矩形的面积>=50 且凸度（轮廓面积和其最小外接矩形面积之比）>0.6
            条件的关系：1&&(2||3)
            Note: 面积小的凸度可能容易不稳定
        6.判断灯条颜色：
            1)拿最小外界矩形的boundingRect（不倾斜的），再适当调大大小
            2)与src取交集:region &= cv::Rect(0, 0, src.cols, src.rows);
            3)遍历该roi：
                red_cnt += roi.at<cv::Vec3b>(row, col)[2];
                blue_cnt += roi.at<cv::Vec3b>(row, col)[0];
            4)red_cnt > blue_cnt 则为红，反之，则为蓝
         7.    遍历之前的两种阈值出来的二值图出来的灯条，判断是否为相同灯条：
            1)两灯条中心距离的平方<9
            8.若为相同灯条，则哪个凸度低，把哪个给remove
                (先遍历，把要erase的序号记下来，从大到小erase！)
            9.合并两种阈值出来的二值图出来的灯条
            10.若light_blobs.size() >= 2，才return true
    二.匹配灯条，得到装甲板
        1.判断两个灯条是否可以匹配
            1)颜色均为enemy_color
            2)两个灯条的长度比lengthRatioJudge  < 2.5    > 0.4
            3)判断两个灯条的间距 
                side_length = sqrt(centers.ddot(centers));
                    (side_length / light_blob_i.length < 10 
                    && side_length / light_blob_i.length > 0.5);
            4)判断两个灯条的错位度 中心差.x和角度cos乘积+中心差.y和角度sin乘积
            5)判断装甲板方向 (angle_i + angle_j) / 2.0 
        (-120.0 < angle && angle < -60.0) || (60.0 < angle && angle < 120.0);
            6)判断两个灯条的角度差 abs(angle_i - angle_j) < 20;
             7)判断两个灯条的高度差 <30
         2.判断是否是有效装甲板
             1)装甲板区域超过src，则continue
             2)装甲板中心位置的y不可能太低 (max_y + min_y) / 2 < 120
             3)if ((max_x - min_x) / (max_y - min_y) < 0.8) continue;
             Note:它们获得的装甲板是一个正矩形
         3.用卷积神经网络对装甲板进行分类
Leran：
    cv::countNonZero
    rect可以&
    point可加减
    使用了opencv的Tracker