用python写一个ai识别行人的代码

要实现行人识别，可以使用深度学习框架中的物体检测模型。其中比较常用的是基于卷积神经网络（CNN）的目标检测模型，如YOLO、Faster R-CNN和SSD等。

下面是使用YOLOv3实现行人检测的Python代码：

首先，需要安装OpenCV和YOLOv3模型。

pip install opencv-python

下载YOLOv3的权重文件yolov3.weights和配置文件yolov3.cfg，并放在同一目录下。

然后，可以使用以下代码进行行人检测：

import cv2

# 加载YOLOv3模型
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")

# 设置模型的输出层
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 加载图像
image = cv2.imread("image.jpg")

# 对图像进行预处理
blob = cv2.dnn.blobFromImage(image, 1/255.0, (416, 416), swapRB=True, crop=False)

# 将blob输入模型进行推理
net.setInput(blob)
outs = net.forward(output_layers)

# 解析模型的输出，提取行人的边界框
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 class_id == 0 and confidence > 0.5:  # 只保留行人
            center_x = int(detection[0] * image.shape[1])
            center_y = int(detection[1] * image.shape[0])
            width = int(detection[2] * image.shape[1])
            height = int(detection[3] * image.shape[0])
            left = int(center_x - width/2)
            top = int(center_y - height/2)
            class_ids.append(class_id)
            confidences.append(float(confidence))
            boxes.append([left, top, width, height])

# 非极大值抑制（NMS）去除重叠的边界框
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
for i in indices:
    i = i[0]
    box = boxes[i]
    left, top, width, height = box
    cv2.rectangle(image, (left, top), (left+width, top+height), (0, 255, 0), 2)

# 显示结果
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

注：上述代码中的image.jpg为需要进行行人识别的图像，可以替换为其他图像。