### 使用OpenCV实现车辆和行人位置检测 #### 1. 行人检测 行人检测可以通过使用HOG（方向梯度直方图）特征结合SVM分类器来实现。以下是基于C++的代码示例： ```cpp #include <iostream> #include <opencv2/opencv.hpp> int main(int argc, char** argv) { cv::Mat image = cv::imread("test.bmp"); if (image.empty()) { std::cout << "read image failed" << std::endl; return -1; } // 定义HOG对象并设置默认参数 cv::HOGDescriptor hog; hog.setSVMDetector(cv::HOGDescriptor::getDefaultPeopleDetector()); // 检测行人区域 std::vector<cv::Rect> regions; hog.detectMultiScale(image, regions, 0, cv::Size(8, 8), cv::Size(32, 32), 1.05, 1); // 绘制矩形框标记行人位置 for (size_t i = 0; i < regions.size(); ++i) { cv::rectangle(image, regions[i], cv::Scalar(0, 0, 255), 2); } // 显示结果 cv::imshow("Pedestrian Detection", image); cv::waitKey(0); return 0; } ``` 此代码实现了基本的行人检测功能，其中`detectMultiScale`函数用于在输入图像中查找行人[^1]。 #### 2. 车辆检测 车辆检测可以使用Haar级联分类器或者LBP（局部二值模式）分类器。这些分类器通过训练得到特定目标的模型文件，例如汽车、摩托车等。以下是一个基于Haar分类器的车辆检测示例： ```cpp #include <iostream> #include <opencv2/opencv.hpp> int main() { cv::VideoCapture cap("video.mp4"); if (!cap.isOpened()) { std::cerr << "Error opening video stream or file!" << std::endl; return -1; } // 加载预训练的车辆检测模型 cv::CascadeClassifier car_cascade; if (!car_cascade.load("cars.xml")) { std::cerr << "Error loading cars cascade classifier!" << std::endl; return -1; } cv::Mat frame, gray_frame; while (cap.read(frame)) { cv::cvtColor(frame, gray_frame, cv::COLOR_BGR2GRAY); cv::equalizeHist(gray_frame, gray_frame); // 进行车牌检测 std::vector<cv::Rect> cars; car_cascade.detectMultiScale(gray_frame, cars, 1.1, 4, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30)); // 绘制矩形框标记车辆位置 for (const auto& car : cars) { cv::rectangle(frame, car, cv::Scalar(0, 255, 0), 2); } // 显示结果 cv::imshow("Vehicle Detection", frame); if (cv::waitKey(30) >= 0) break; } return 0; } ``` 在此代码中，`detectMultiScale`函数被用来定位视频中的车辆位置[^2]。 #### 3. 结合车辆与行人检测 为了在同一场景下同时检测车辆和行人，可以将上述两种方法结合起来。具体来说，在同一帧图像上分别调用行人检测和车辆检测模块即可。需要注意的是，由于两者可能共享部分计算资源（如灰度化），因此应优化性能以减少冗余操作。 --- ###