特征金字塔实现目标检测并显示结果的代码Jupyter

以下是使用特征金字塔实现目标检测并显示结果的 Jupyter Notebook 代码示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('example.jpg')

# 定义目标检测器
def detect(img, template):
    # 获取模板和图像的宽高
    th, tw = template.shape[:2]
    ih, iw = img.shape[:2]
    
    # 对图像进行多尺度缩放
    for scale in np.linspace(0.2, 1.0, 20)[::-1]:
        # 计算当前缩放的图像大小
        resized = cv2.resize(img, (int(iw * scale), int(ih * scale)))
        r = iw / float(resized.shape[1])
        
        # 如果缩放后的图像小于模板，就可以停止缩放
        if resized.shape[0] < th or resized.shape[1] < tw:
            break
        
        # 使用模板匹配算法进行目标检测
        result = cv2.matchTemplate(resized, template, cv2.TM_CCOEFF_NORMED)
        _, maxVal, _, maxLoc = cv2.minMaxLoc(result)
        
        # 计算目标在原始图像中的坐标
        topLeft = (int(maxLoc[0] * r), int(maxLoc[1] * r))
        bottomRight = (int((maxLoc[0] + tw) * r), int((maxLoc[1] + th) * r))
        
        # 在原始图像中标记目标位置
        cv2.rectangle(img, topLeft, bottomRight, (0, 255, 0), 2)
    
    return img

# 加载模板图像
template = cv2.imread('template.jpg')
template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

# 调用目标检测函数
result = detect(img, template)

# 显示结果图像
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们使用了 `cv2.matchTemplate()` 函数进行目标检测，该函数可以在图像中搜索与给定模板最相似的区域。为了实现多尺度检测，我们对原始图像进行了多次缩放，并在每个缩放级别上执行模板匹配。最终，我们在原始图像中标记了检测到的目标位置，并将结果显示出来。