方法1：V4L2读取-转换-缩放-合成-显示（实时显示、用户操作或图像算法预处理）
这是一个更高级、更完整的图像处理和显示方案，其特点是：
-
结构体封装、模块化设计：代码通常使用结构体来管理摄像头、图像缓冲区、显示设备等，方便扩展、维护。
-
包含图像预处理：
- 图像格式转换（如 YUYV → RGB）
- 图像缩放（适配不同显示分辨率）
- 图像合成（比如叠加文字、水印、多摄像头拼接）
- 实时显示（比如通过 framebuffer、SDL、OpenCV 显示图像）
-
适用于复杂应用：
- 视频实时预览
- 多画面合成
- 图像算法（比如人脸识别、边缘检测）处理前的准备工作
方法2：V4L2最小采集流程（后台采集照片、低资源占用）
这是V4L2最基本、最小化的采集流程，主要目的就是快速获取图像帧。其特点是：
特点：
-
代码简单，逻辑清晰：专注于采集流程，不涉及图像显示。
-
可用于拍照、存图：直接把采集到的数据保存为图像文件（如.raw、.jpg）
-
适合批处理、后端任务：
- 定时拍照
- 后台图像采集服务
- 嵌入式设备做轻量图像采集
缺点：
- 没有图像转换和显示功能
- 通常需要后处理才能得到 JPEG/PNG 格式（因为原始格式如 YUYV 不能直接查看）
- 如果要扩展成实时预览系统，代码需要大改
为什么还要实现方法1？
虽然方法2足以完成拍照任务，但在很多实际项目中：
- 需要预览图像（用户交互/调试）
- 需要处理图像后再保存（如裁剪/滤波）
- 需要嵌入到 UI 或服务中
实现功能1：检测到人脸时自动拍照
推荐方法：方法① + OpenCV人脸检测
理由：需要对图像内容做实时处理（人脸检测），这就必须“读取图像 → 转换格式 → 用 OpenCV 检测人脸”，这属于图像处理流程，方法②无法满足。
为什么方法②不适合？
方法②虽然可以拍照，但采集的是原始帧数据（如YUYV） ，不能直接送入人脸检测算法。
你还需要：
- 手动将 YUYV 转换为 RGB 或灰度图
- 加载人脸检测模型（如 Haar / DNN）
- 判断是否有人脸
- 有人脸再保存图像
这等于是手动重写方法①的一部分，不如直接使用方法①配合 OpenCV。
