写一段基于卷积神经网络（CNN）的目标检测算法，可以在复杂背景下准确地检测目标，如车辆、行人和建筑物等。

好的，我可以给您提供一个基于深度学习的目标检测算法，名为YOLO（You Only Look Once）。

YOLO算法使用卷积神经网络来实现目标检测，它能够在一张图像中同时检测出多个目标。下面是实现该算法的步骤：

1. 输入图像被划分成一个SxS网格，每个网格负责检测其中心落在该网格内的目标。

2. 每个网格预测B个边界框，每个边界框由一个坐标值和两个尺寸值组成，用于定位目标。

3. 对于每个边界框，预测其包含目标的概率，并进行分类。

4. 使用非极大值抑制（NMS）来消除重复检测的边界框。

以下是实现该算法的代码：

import cv2
import numpy as np

# 加载预训练的模型
net = cv2.dnn.readNetFromDarknet('yolov3.cfg', 'yolov3.weights')

# 获取输出层
layers = net.getLayerNames()
output_layers = [layers[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 加载类别标签
classes = []
with open('coco.names', 'r') as f:
    classes = [line.strip() for line in f.readlines()]

# 加载图像
img = cv2.imread('image.jpg')

# 处理输入图像
blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)

# 前向传播，获取边界框，概率和类别
net.setInput(blob)
outs = net.forward(output_layers)

# 获取检测结果
class_ids = []
confidences = []
boxes = []
for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:
            center_x = int(detection[0] * img.shape[1])
            center_y = int(detection[1] * img.shape[0])
            width = int(detection[2] * img.shape[1])
            height = int(detection[3] * img.shape[0])
            x = center_x - width // 2
            y = center_y - height // 2
            class_ids.append(class_id)
            confidences.append(float(confidence))
            boxes.append([x, y, width, height])

# 非极大值抑制去除重复检测
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# 绘制检测结果
for i in indices:
    i = i[0]
    box = boxes[i]
    x = box[0]
    y = box[1]
    w = box[2]
    h = box[3]
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    label = f'{classes[class_ids[i]]}: {confidences[i]:.2f}'
    cv2.putText(img, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示结果
cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码中，我们使用了预训练的YOLOv3模型进行目标检测。通过调整模型的参数，可以在不同的任务上进行调优，以达到更好的检测效果。