### 使用OpenCV实现人体检测并绘制边界框 要使用OpenCV实现人体检测并绘制边界框，可以采用Haar级联分类器或HOG+SVM方法。以下是基于这两种技术的解决方案。 #### 方法一：使用Haar级联分类器 Haar特征是一种用于对象检测的有效工具，通常通过训练数据集来识别特定的对象类别（如人脸、身体）。以下是一个简单的示例代码： ```python import cv2 # 加载预训练的人体检测模型 (Haar Cascade Classifier) body_cascade = cv2.CascadeClassifier('haarcascade_fullbody.xml') # 读取图像 image = cv2.imread('people.jpg') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 检测人体 bodies = body_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) # 绘制边界框 for (x, y, w, h) in bodies: cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2) # 显示结果 cv2.imshow('Human Detection', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此代码加载了一个名为`haarcascade_fullbody.xml`的预训练模型文件[^1]，该文件可以从OpenCV GitHub仓库下载。它利用`detectMultiScale()`函数检测图像中的多个目标，并返回其位置坐标列表。最后，在原始图像上绘制矩形框表示检测到的目标区域。 --- #### 方法二：使用HOG+SVM Histogram of Oriented Gradients (HOG) 是一种描述符算法，常与支持向量机(SVM)结合使用来进行行人检测。下面展示如何应用dlib库完成这一任务： ```python import cv2 import dlib # 初始化 HOG 描述符和 SVM 分类器 hog = cv2.HOGDescriptor() hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) # 读取视频流或者图片 video_capture = cv2.VideoCapture('example.mp4') while True: ret, frame = video_capture.read() if not ret: break # 转换为灰度图 gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 进行人体检测 boxes, weights = hog.detectMultiScale(gray_frame, winStride=(4, 4), padding=(8, 8), scale=1.05) # 绘制边界框 for (x, y, w, h) in boxes: cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) # 展示结果 cv2.imshow("Human Detection", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break video_capture.release() cv2.destroyAllWindows() ``` 这段程序展示了实时视频中的人体检测过程。其中 `hog.detectMultiScale()` 函数负责执行实际的检测操作[^2]。参数调整可以根据具体需求优化性能。 --- #### 图像处理技巧补充说明 为了提高检测精度，可以在输入前对图像进行一些预处理步骤，比如高斯模糊降噪、形态学运算增强边缘等[^3]。这些技术有助于减少环境干扰因素的影响。 运行命令如下所示： ```shell $ python human_detector.py --video videos/example_01.mp4 ``` 这是一条典型的脚本调用方式[^4]，适用于测试不同的输入源。 ---