目标检测python代码

以下是一个使用 Python 和 OpenCV 库实现目标检测的示例代码。在这个例子中，我们使用了基于 Haar Cascade 的目标检测方法来检测人脸。

import cv2

# 加载 Haar Cascade 分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 读取图像
img = cv2.imread('test.jpg')

# 将图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

# 在图像中标记人脸
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

# 显示图像
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们首先加载了 Haar Cascade 分类器，并读取了一张测试图像。然后，我们将图像转换为灰度图像，以便更容易进行人脸检测。接下来，我们使用 `detectMultiScale` 函数来检测人脸，并将检测到的人脸在图像中用矩形框标记出来。最后，我们使用 `imshow` 函数来显示标记后的图像。

相关问题

SVM 目标检测 python代码

下面是一个使用支持向量机（SVM）进行目标检测的简单Python代码示例：

import cv2
import numpy as np

# 加载训练好的SVM模型
svm = cv2.ml.SVM_load('model.xml')

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

# 转换图像为灰度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 提取HOG特征
hog = cv2.HOGDescriptor()
features = hog.compute(gray)

# 重新调整特征形状
features = np.reshape(features, (-1,))

# 预测图像中的目标
_, result = svm.predict(features.reshape(1, -1))

# 在图像上绘制目标框
x, y, w, h = result[0]
cv2.rectangle(image, (int(x), int(y)), (int(x+w), int(y+h)), (0, 255, 0), 2)

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

请注意，这只是一个简单的示例代码，其中使用了OpenCV库和一个已经训练好的SVM模型（通过`SVM_load`加载）。你需要替换`model.xml`和`image.jpg`为你自己的模型和图像路径。

此代码的主要步骤包括：
1. 加载训练好的SVM模型。
2. 加载图像并将其转换为灰度。
3. 提取图像的HOG特征。
4. 将特征调整为正确的形状。
5. 使用SVM模型预测图像中的目标。
6. 在图像上绘制目标框并显示结果。

请注意，这只是一个简单的示例，实际的目标检测任务可能需要更复杂的代码和额外的步骤。

车辆目标检测 python代码

以下是使用Python的OpenCV库进行车辆目标检测的示例代码：

import cv2

# 加载车辆识别分类器
car_cascade = cv2.CascadeClassifier('cars.xml')

# 加载图像
img = cv2.imread('cars.jpg')

# 将图像转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 对图像进行车辆检测
cars = car_cascade.detectMultiScale(gray, 1.1, 1)

# 在图像上绘制矩形框以标识车辆
for (x, y, w, h) in cars:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)

# 显示检测结果
cv2.imshow('img', img)
cv2.waitKey()

在这个例子中，我们加载了一个预先训练好的车辆识别分类器（XML文件），将图像转换为灰度，并在图像上绘制了矩形框以标识检测到的车辆。你可以通过更改`detectMultiScale()`函数的参数来调整检测的灵敏度和准确性。