### 实现动态目标检测并绘制边界框 在 Python 中，可以使用深度学习框架（如 TensorFlow、PyTorch）或 OpenCV 等工具实现动态目标检测。OpenCV 提供了对预训练模型的支持，例如 Caffe 和 DNN 模块，适合快速部署和实时检测任务。 以下是一个基于 OpenCV 的实时目标检测代码示例，它能够从摄像头读取视频流，并对检测到的目标进行框选和标注： #### 代码实现 ```python import cv2 import numpy as np # 加载预训练的深度学习模型 prototxt = "MobileNetSSD_deploy.prototxt.txt" model = "MobileNetSSD_deploy.caffemodel" net = cv2.dnn.readNetFromCaffe(prototxt, model) # 初始化摄像头 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break (h, w) = frame.shape[:2] # 图像预处理 blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 0.007843, (300, 300), 127.5) # 输入数据到神经网络 net.setInput(blob) detections = net.forward() # 遍历检测结果 for i in range(detections.shape[2]): confidence = detections[0, 0, i, 2] if confidence > 0.5: # 设置置信度阈值 box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) (startX, startY, endX, endY) = box.astype("int") # 绘制边界框 cv2.rectangle(frame, (startX, startY), (endX, endY), (0, 255, 0), 2) label = f"Object {confidence:.2f}" y = startY - 15 if startY - 15 > 15 else startY + 15 cv2.putText(frame, label, (startX, y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 显示图像 cv2.imshow("Dynamic Object Detection", frame) # 按下 'q' 键退出循环 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows() ``` #### 关键点解析 - **加载模型**：使用 `cv2.dnn.readNetFromCaffe` 加载 MobileNet SSD 模型，该模型适用于实时检测场景。 - **图像预处理**：通过 `blobFromImage` 对输入图像进行缩放、归一化等操作，使其适配模型输入要求[^2]。 - **检测与遍历**：模型输出包含多个检测结果，需要遍历所有结果，并根据置信度筛选有效目标。 - **绘制边界框**：利用 `cv2.rectangle` 在图像上绘制矩形框，并通过 `cv2.putText` 添加标签信息。 - **实时显示**：使用 `cv2.imshow` 展示检测结果，同时支持键盘中断退出检测循环。 #### 扩展功能建议 - **中文标签支持**：OpenCV 默认不支持中文字体，可以通过 PIL 库实现中文绘制功能[^4]。 - **多类别识别**：可以根据 `detections[0, 0, i, 1]` 获取类别编号，结合类别列表显示具体名称。 - **性能优化**：若需更高帧率，可考虑降低分辨率或使用更轻量级模型（如 Tiny YOLO）。 ---