### 使用 OpenCV 和 C++ 实现目标检测 #### 加载预训练模型并设置网络参数 为了使用深度学习模型进行目标检测，首先需要加载预先训练好的模型文件以及配置文件。这里以 YOLOv4 模型为例： ```cpp cv::dnn::Net net = cv::dnn::readNetFromDarknet("yolov4.cfg", "yolov4.weights"); if (net.empty()) { std::cerr << "Can't load network by using the given configuration\n"; } // 设置推理引擎为 CUDA加速 net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA); net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA)[^3]; ``` #### 准备输入数据 将待检测图片转换成适合送入神经网络的形式，通常包括调整大小、减去均值等操作。 ```cpp cv::Mat frame; // 假设这是要分析的一张图像 blob = cv::dnn::blobFromImage(frame, 1 / 255.0, cv::Size(416, 416), cv::Scalar(), true, false); net.setInput(blob); ``` #### 执行前向传播获取输出层结果 调用 `forward` 方法执行一次完整的前向计算过程，并提取最终的结果。 ```cpp std::vector<cv::String> outNames; net.getUnconnectedOutLayersNames(outNames); std::vector<cv::Mat> outs; net.forward(outs, outNames); ``` #### 解析预测框与类别信息 解析得到的特征图，从中找出所有的边界框及其对应的置信度得分和分类标签。 ```cpp for (const auto& detection : detections) { float confidence = detection[objectness_score_index]; // 获取对象分数 if (confidence >= min_confidence_threshold) { // 过滤掉低分的对象 int class_id = static_cast<int>(detection[class_label_index]); // 绘制矩形边框和其他可视化工作... } } ``` 上述代码片段展示了如何利用 OpenCV 的 DNN 模块配合 YOLOv4 来完成基本的目标识别任务[^3]。 #### 处理后的结果显示 最后一步是对检测到的目标绘制包围盒并在原图上标注出来以便观察效果。 ```cpp void drawPred(int classId, float conf, int left, int top, int right, int bottom, cv::Mat &frame){ rectangle(frame, Point(left, top), Point(right, bottom), Scalar(0, 255, 0)); string label = format("%.2f", conf); int baseLine; Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine); top = max(top, labelSize.height); rectangle(frame, Point(left, top - round(1.5*labelSize.height)), Point(left + round(1.5*labelSize.width), top + baseLine), Scalar(0, 255, 0), FILLED); putText(frame, label, Point(left, top), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0,0,0),1); } ``` 此函数用于在原始帧上画出检测到物体的位置及名称。