### 使用 OpenCV 实现人体检测与识别 #### 一、基于预训练模型的人体动作识别 对于人体动作的识别，可以利用已经训练好的深度学习模型来完成。OpenCV 提供了一个名为 `dnn` 的模块用于加载并运行这些预先训练过的网络。 通过读取特定的动作分类文件[^1]，能够定义出所支持的一系列行为类别。这有助于理解视频流中的动态场景，并从中提取有意义的信息。 ```cpp #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> using namespace cv; using namespace dnn; // 加载预训练模型和配置文件路径 String modelConfiguration = "path/to/model.prototxt"; String modelBinary = "path/to/weights.caffemodel"; Net net = readNetFromCaffe(modelConfiguration, modelBinary); Mat frame; // 输入图像帧 blobFromImage(frame, blob); // 将输入图片转换成适合神经网络处理的形式 net.setInput(blob); Mat prob = net.forward(); // 获取预测结果矩阵 Point classIdPoint; double confidence; minMaxLoc(prob.reshape(1, 1), nullptr, &confidence, nullptr, &classIdPoint); int classId = classIdPoint.x; ``` 上述代码展示了如何设置一个基于 Caffe 架构下的卷积神经网络来进行动作分类的任务。需要注意的是，在实际应用中还需要考虑更多细节，比如数据预处理方式以及后端优化等。 #### 二、手部姿态估计 除了整体的身体运动外，对手指位置变化敏感的手势也是重要的交互手段之一。借助于深度学习框架 TensorFlow 或 PyTorch 训练得到的关键点检测模型可以在 OpenCV 中轻松部署以实现精准的手掌轮廓描绘及关节定位功能[^3]。 下面给出一段 Python 版本的例子： ```python import numpy as np import cv2 as cv from matplotlib import pyplot as plt protoFile = "./hand/pose_deploy.prototxt" weightsFile = "./hand/pose_iter_102000.caffemodel" net = cv.dnn.readNetFromCaffe(protoFile, weightsFile) frameWidth = 720 frameHeight = 1280 threshold = 0.1 cap = cv.VideoCapture(0) hasFrame, frame = cap.read() inpBlob = cv.dnn.blobFromImage(frame, 1.0 / 255, (frameWidth, frameHeight), (0, 0, 0), swapRB=False, crop=False) net.setInput(inpBlob) output = net.forward() ``` 此部分程序实现了摄像头实时捕获画面并通过调用先前准备好的权重参数执行前向传播运算从而获得各个手指尖的位置坐标集合。 #### 三、人脸检测案例分享 最后值得一提的是，虽然提问者关注的重点在于全身跟踪方面，但是面部特征同样属于生物个体身份验证的重要组成部分。因此在此也简单介绍一下采用 Haar 级联分类法进行快速而有效的正面脸部区域框选方法[^4]。 ```c++ CascadeClassifier faceDetector; if (!faceDetector.load("haarcascade_frontalface_default.xml")) { printf("--(!)Error loading\n"); } else { Mat image = imread("people.jpg", IMREAD_COLOR); std::vector<Rect> faces; faceDetector.detectMultiScale(image, faces, 1.1, 2, 0 | CASCADE_SCALE_IMAGE, Size(30, 30)); for(size_t i=0;i<faces.size();++i){ rectangle(image, Point(faces[i].x, faces[i].y), Point((faces[i].x + faces[i].width),(faces[i].y + faces[i].height)), Scalar(255, 0, 0), 2, 8, 0 ); } } imshow("Detected Face(s)",image); waitKey(); destroyAllWindows(); ``` 这段简单的 C++ 脚本说明了怎样运用内置函数库里的工具集去发现照片里存在的多张面孔，并给它们画上矩形边框加以标注出来。