### 使用 OpenCV 对视频中特定区域进行目标检测与计数 #### 创建 VideoCapture 和 VideoWriter 实例 为了处理输入视频并保存输出结果，需要初始化 `VideoCapture` 来读取源文件，并通过 `VideoWriter` 设置输出配置。 ```python import cv2 video_src = 'Cars.mp4' cap = cv2.VideoCapture(video_src) fourcc = cv2.VideoWriter_fourcc(*'DIVX') fps = 15 size = (int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))) output_video = cv2.VideoWriter('result.avi', fourcc, fps, size) ``` #### 加载预训练的级联分类器 对于车辆检测任务，可以利用 Haar 特征级联分类器来识别感兴趣的对象： ```python cascade_src = 'cars.xml' car_cascade = cv2.CascadeClassifier(cascade_src) ``` #### 定义 ROI（Region of Interest） 为了限定检测范围，在每一帧上定义一个矩形区域用于后续的目标查找操作。这可以通过设定坐标点实现： ```python roi_top_left_x, roi_top_left_y = 100, 100 roi_bottom_right_x, roi_bottom_right_y = 300, 300 ``` #### 执行逐帧分析 遍历整个视频序列，针对每一张图片执行如下流程：灰度转换 -> 高斯模糊 -> 边缘增强 -> 应用Haar特征匹配算法-> 绘制边界框以及更新计数值: ```python count = 0 while True: ret, frame = cap.read() if not ret: break gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) cars = car_cascade.detectMultiScale(gray_frame[slice(roi_top_left_y, roi_bottom_right_y), slice(roi_top_left_x, roi_bottom_right_x)], scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) count += len(cars) for (x,y,w,h) in cars: center_x = x + w//2 + roi_top_left_x center_y = y + h//2 + roi_top_left_y cv2.rectangle(frame, (center_x-w//2, center_y-h//2),(center_x+w//2, center_y+h//2),(0,255,0),2) output_video.write(frame) cap.release() output_video.release() print(f'Total detected objects within the region: {count}') ``` 此代码片段展示了如何基于给定ROI完成对象定位工作，并统计出现在该区域内符合条件的所有实例数目[^1]。