Opencv目标检测

### 使用OpenCV实现目标检测

#### Haar Cascade分类器简介
Haar特征是一种用于物体识别的机器学习算法。通过训练大量正负样本图像，可以构建出能够区分特定对象（如人脸、眼睛等）的分类器模型[^1]。

#### 准备工作
为了使用预训练好的Haar级联文件来进行目标检测，需要先下载对应的XML配置文件。这些文件可以从GitHub上的OpenCV仓库获取，路径通常位于`opencv/data/haarcascades/`目录下。

#### 加载并初始化分类器
下面是一个简单的Python代码片段来加载一个预先训练的人脸检测模型：

import cv2

# 创建CascadeClassifier对象, 参数为haar特征的xml文件位置
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

#### 执行目标检测操作
一旦有了分类器实例，就可以调用其`detectMultiScale()`函数对输入图片执行多尺度滑动窗口扫描，寻找可能存在的匹配区域:

img = cv2.imread('people.jpg')  # 读取测试图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,      # 图像尺寸缩放比例因子
    minNeighbors=5,       # 每个候选矩形应保留多少邻居
    minSize=(30, 30),     # 对象最小可能大小
    flags=cv2.CASCADE_SCALE_IMAGE
)

对于每一个找到的对象，在原图上绘制边界框以便可视化结果：

for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

cv2.imshow("Faces found", img)
cv2.waitKey(0)

上述过程展示了如何利用OpenCV中的Haar Cascade分类器完成基本的目标检测任务。当然除了人脸识别外，还可以针对其他类型的物体创建相应的分类器。