20200411更新：
经过评论区 @鹤汀凫渚 的指导，我成功的用最简单的方法在python中调用到了GPU加速后的函数，这里把这位朋友的评论贴出来供各位参考：
以下原文：
本文的核心目的就是加速，在实时图像处理的路上，没有什么比得上加速，速度足够快就能上更复杂的模型，速度足够快就能有更多的预处理，总之，加速就是一切。
为了弥补Opencv-Python接口没有cuda加速的缺陷，本文旨在通过调用C++上才有的cuda模块，对Opencv进行加速，然后将其打包为Python接口后调用。
ps：本来笔者最开始采用的是Cython的第三方解决方案，但是经过同事指教后发现官方的API更加明晰，故改回使用Python官方的API来完成。
目录：
- 图像数组的跨平台传递。
- 在C++下编写cuda加速的OpenCV代码。
--------------------------------------------------------------------------------
图像数组的跨平台传递
在采用PyTorch或者TF等深度学习框架的项目中，OpenCV主要的工作是针对图像的预处理，因此绝大部分情况下，数据的IO都是通过Python进行的，如何将图像数据从Python跨平台传输到C++下就是我们首先要解决的问题，而在Python下的图像数据基本都是保存为ndarray类型，因此我们需要在C++下也同样引入Numpy库，这个库可以通过APT直接安装，头文件会与Python3的头文件放在一起。
本文主要涉及的C++第三方库包括：
- OpenCV
- Numpy
- Python3.6
代码逻辑为：
- 接收来自Python的ndarray数组，将其转为PyArrayObject类
- 将PyArrayObject转为OpenCV的Mat类数据
- 调用OpenCV对Mat进行图像处理，本文为了演示仅做BGR2GRAY处理
- 将处理后的Mat转换为PyArrayObject类
- 将PyArrayObject传回给Python，Python会自动将其识别为ndarray类对象
为了完成上面的逻辑，我们需要新建三个类文件：
- interface.cpp/.h ：接口类，主要负责步骤1，5
- conversion.cpp/.h ：转换类，主要负责步骤2，4
- process.cpp/.h ：处理类，主要负责步骤3
先从interface.cpp文件开始：
//interface.cpp
然后是conversion.cpp：
//conversion.cpp
最后是process.cpp：
//process.cpp
最后给出setup.py文件：
from
通过Python3 setup.py install build_ext --inplace命令就可以将包安装进Python3中
