编写一个车辆检测函数detect_vehicles(frame)

编写一个车辆检测函数`detect_vehicles(frame)`通常涉及到图像处理和计算机视觉中的目标检测技术。这里我们可以使用OpenCV库和预训练的模型，如YOLO（You Only Look Once）或SSD（Single Shot MultiBox Detector）。这些模型能够识别图像中的物体，包括车辆。

以下是一个简单的例子，假设我们已经有了一个已经训练好的车辆检测模型：

import cv2
import numpy as np

class VehicleDetector:
    def __init__(self, model_path):
        self.model = cv2.dnn.readNetFromDarknet(model_path, "model.cfg")
        self.classes = ["vehicle"]  # 假设我们的模型只识别车辆

    def detect_vehicles(self, frame):
        # 将图片从BGR转换为RGB，因为dnn模块默认是BGR
        frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        
        # 设置输入blob
        blob = cv2.dnn.blobFromImage(frame_rgb, 1/255.0, (416, 416), swapRB=True, crop=False)

        # 运行模型进行前向传播
        self.model.setInput(blob)
        detections = self.model.forward()

        # 解析输出并找到车辆
        vehicles = []
        for i in range(0, detections.shape[2]):
            confidence = detections[0, 0, i, 2]
            if confidence > 0.5:  # 阈值可以根据实际需求调整
                class_id = int(detections[0, 0, i, 1])
                if class_id == self.classes.index("vehicle"):
                    box = detections[0, 0, i, 3:7] * np.array([frame.shape[1], frame.shape[0], frame.shape[1], frame.shape[0]])
                    (x, y, w, h) = box.astype("int")
                    vehicles.append((x, y, x+w, y+h))  # 返回车辆的边界框坐标

        return vehicles

# 使用示例
detector = VehicleDetector("path_to_your_model.weights")  # 替换为你的模型路径
frame = cv2.imread("image.jpg")  # 替换为你要检测的图片路径
detected_vehicles = detector.detect_vehicles(frame)

在这个例子中，`detect_vehicles`函数首先读取一张图像，然后通过网络模型运行前向传播得到每个可能的目标的预测结果。如果检测到的车辆（即class_id等于"vehicle"）的置信度高于某个阈值，就将其边界框添加到`vehicles`列表中。