### 使用Python和OpenCV实现无人机图像识别 对于基于视觉的目标检测，可以利用预训练模型来加速开发过程。下面是一个简单的例子，在这个例子中，使用Haar级联分类器来进行目标检测[^1]。 #### Python代码示例 ```python import cv2 def detect_objects(image_path): # 加载图片并转换为灰度图 img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 初始化Haar特征分层树结构的人脸检测器 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 执行人脸检测 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) # 显示结果 cv2.imshow('Detected Faces',img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码展示了如何加载一张照片，并通过调用`CascadeClassifier`对象的方法执行面部检测操作。这里使用的`detectMultiScale()`函数能够自动调整尺度大小以适应不同距离下的物体尺寸变化。 #### C++代码示例 下面是相同功能但在C++中的实现方式： ```cpp #include <opencv2/objdetect.hpp> #include <opencv2/highgui.hpp> #include <opencv2/imgproc.hpp> void DetectAndDisplay(cv::Mat frame){ std::vector<cv::Rect> objects; cv:: CascadeClassifier object_cascade; // 加载预先训练好的Haar特征文件 if (!object_cascade.load("haarcascade_frontalface_alt.xml")) { printf("--(!)Error loading\n"); return ; } // 将输入帧转化为灰度模式 cv:: Mat frame_gray; cvtColor(frame, frame_gray, CV_BGR2GRAY); equalizeHist(frame_gray, frame_gray); // 进行多尺度模板匹配 object_cascade.detectMultiScale( frame_gray, objects, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, cv:: Size(30, 30)); // 绘制矩形框标记找到的对象位置 for(size_t i = 0; i<objects.size(); ++i){ rectangle(frame, objects[i], cv:: Scalar(255, 0, 0), 2); } } ``` 上述两段程序分别实现了在给定的一张静态图片上查找特定类型的物体（比如人的脸部），并且会在原图中标记出来这些被发现的位置。需要注意的是，实际应用时可能还需要考虑更多因素，例如光照条件的影响以及背景复杂程度等。