第七章1A2A3B4B5A6A7A8B9核心特征檢測(cè)算法可歸納為3類(lèi)：基礎(chǔ)角點(diǎn)類(lèi)：Harris、Shi-Tomasi（無(wú)尺度不變性，適合簡(jiǎn)單場(chǎng)景）；高速實(shí)時(shí)類(lèi)：FAST（極致速度，適配實(shí)時(shí)系統(tǒng)）；魯棒不變類(lèi)：SIFT、SURF、ORB（具備尺度/旋轉(zhuǎn)不變性，ORB是實(shí)時(shí)場(chǎng)景的首選）。10程序代碼如下：importcv2importnumpyasnpdefinit_sift():"""初始化SIFT特征檢測(cè)器"""try:#創(chuàng)建SIFT實(shí)例，設(shè)置最大特征點(diǎn)數(shù)量sift=cv2.xfeatures2d.SIFT_create(nfeatures=1000,contrastThreshold=0.02)returnsiftexceptAttributeError:print("錯(cuò)誤：未找到SIFT函數(shù)！請(qǐng)安裝opencv-contrib-python（而非opencv-python）")exit()definit_flann_matcher():"""初始化FLANN匹配器（適配SIFT描述子）"""#FLANN參數(shù)配置（KDTree算法，適合SIFT的浮點(diǎn)型描述子）FLANN_INDEX_KDTREE=1index_params=dict(algorithm=FLANN_INDEX_KDTREE,trees=5)search_params=dict(checks=50)#搜索次數(shù)，越大精度越高、速度越慢flann=cv2.FlannBasedMatcher(index_params,search_params)returnflanndefget_book_cover_features(sift,cover_path):"""提取書(shū)本封面的SIFT特征"""#讀取封面圖并轉(zhuǎn)為灰度圖cover_img=cv2.imread(cover_path)ifcover_imgisNone:print(f"錯(cuò)誤：無(wú)法讀取封面圖片{cover_path}，請(qǐng)檢查路徑！")exit()cover_gray=cv2.cvtColor(cover_img,cv2.COLOR_BGR2GRAY)#提取特征點(diǎn)和描述子kp_cover,des_cover=sift.detectAndCompute(cover_gray,None)ifdes_coverisNoneorlen(des_cover)<10:print("錯(cuò)誤：封面圖提取的特征點(diǎn)過(guò)少，請(qǐng)更換清晰的封面照片！")exit()#獲取封面圖的四頂點(diǎn)坐標(biāo)（用于后續(xù)映射）h,w=cover_img.shape[:2]cover_pts=np.float32([[0,0],[w,0],[w,h],[0,h]]).reshape(-1,1,2)returncover_img,kp_cover,des_cover,cover_ptsdefdetect_book_in_video(sift,flann,cover_kp,cover_des,cover_pts):"""實(shí)時(shí)檢測(cè)攝像頭中的書(shū)本并框選"""#打開(kāi)攝像頭（0為默認(rèn)攝像頭，若無(wú)效可嘗試1）cap=cv2.VideoCapture(0)ifnotcap.isOpened():print("錯(cuò)誤：無(wú)法打開(kāi)攝像頭，請(qǐng)檢查硬件權(quán)限！")exit()print("\n開(kāi)始實(shí)時(shí)檢測(cè)書(shū)本，按'q'鍵退出...")print("提示：請(qǐng)將書(shū)本封面正對(duì)攝像頭，保證光線充足！")whileTrue:#讀取實(shí)時(shí)幀ret,frame=cap.read()ifnotret:print("錯(cuò)誤：無(wú)法讀取攝像頭幀！")break#轉(zhuǎn)為灰度圖，提取實(shí)時(shí)幀的SIFT特征frame_gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)kp_frame,des_frame=sift.detectAndCompute(frame_gray,None)#特征匹配（僅當(dāng)實(shí)時(shí)幀有足夠特征點(diǎn)時(shí)執(zhí)行）ifdes_frameisnotNoneandlen(des_frame)>10:#FLANNK近鄰匹配（k=2，取Top2匹配對(duì)）matches=flann.knnMatch(cover_des,des_frame,k=2)#用Lowe's法則篩選優(yōu)質(zhì)匹配對(duì)（距離比<0.75）good_matches=[]form,ninmatches:ifm.distance<0.75*n.distance:good_matches.append(m)#當(dāng)優(yōu)質(zhì)匹配對(duì)足夠時(shí)，計(jì)算單應(yīng)性矩陣并繪制框選iflen(good_matches)>15:#提取匹配的特征點(diǎn)坐標(biāo)src_pts=np.float32([cover_kp[m.queryIdx].ptformingood_matches]).reshape(-1,1,2)dst_pts=np.float32([kp_frame[m.trainIdx].ptformingood_matches]).reshape(-1,1,2)#計(jì)算單應(yīng)性矩陣（RANSAC剔除異常值）H,mask=cv2.findHomography(src_pts,dst_pts,cv2.RANSAC,5.0)ifHisnotNone:#將封面四頂點(diǎn)映射到實(shí)時(shí)幀frame_pts=cv2.perspectiveTransform(cover_pts,H)#繪制框選框（紅色，線寬3）frame=cv2.polylines(frame,[32(frame_pts)],True,(0,0,255),3)#顯示匹配對(duì)數(shù)量cv2.putText(frame,f"GoodMatches:{len(good_matches)}",(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,255,0),2)#顯示實(shí)時(shí)幀cv2.imshow("BookDetection(SIFT+FLANN+Homography)",frame)#按q鍵退出ifcv2.waitKey(1)&0xFF==ord('q'):break#釋放資源cap.release()cv2.destroyAllWindows()if__name__=="__main__":#1.初始化SIFT和FLANNsift=init_sift()flann=init_flann_matcher()#2.提取書(shū)本封面特征cover_path="book_cover.jpg"#替換為你的書(shū)本封面圖片路徑cover_img,cover_kp,cover_des,cover_pts=get_book_cover_features(sift,cover_path)#3.實(shí)時(shí)檢測(cè)攝像頭中的書(shū)本detect_book_in_video(sift,flann,cover_kp,cover_des,cover_pts)第八章14個(gè)2A3A4A5顏色或紋理6B7程序代碼如下：importcv2importnumpyasnpimportmatplotlib.pyplotasplt#解決matplotlib中文顯示問(wèn)題plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsedefload_image(img_path):"""加載圖像并檢查有效性"""img=cv2.imread(img_path)ifimgisNone:raiseException(f"無(wú)法讀取圖像{img_path}，請(qǐng)檢查文件路徑或文件完整性！")img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#轉(zhuǎn)為RGB用于matplotlib顯示returnimg,img_rgbdefkmeans_segmentation(img,k=2):"""K-Means顏色聚類(lèi)分割（聚為2類(lèi)：貓/背景）"""#1.預(yù)處理：將圖像轉(zhuǎn)為像素點(diǎn)矩陣（N×3），float32類(lèi)型pixel_data=img.reshape((-1,3)).astype(np.float32)#2.K-Means參數(shù)設(shè)置criteria=(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,10,1.0)flags=cv2.KMEANS_RANDOM_CENTERS#3.執(zhí)行K-Means聚類(lèi)compactness,labels,centers=cv2.kmeans(pixel_data,k,None,criteria,10,flags)#4.重構(gòu)分割圖像（取占比更大的類(lèi)為背景，另一類(lèi)為貓）centers=np.uint8(centers)seg_img=centers[labels.flatten()]seg_img=seg_img.reshape(img.shape)#5.提取貓的區(qū)域（灰度化+二值化+輪廓檢測(cè)）gray=cv2.cvtColor(seg_img,cv2.COLOR_BGR2GRAY)ret,binary=cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)#確保貓的區(qū)域?yàn)榘咨ㄈ舯尘盀榘讋t反轉(zhuǎn)）ifnp.sum(binary==255)>(binary.size/2):binary=cv2.bitwise_not(binary)#6.輪廓檢測(cè)+框選contours,_=cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)ifcontours:max_contour=max(contours,key=cv2.contourArea)#取最大輪廓（貓）x,y,w,h=cv2.boundingRect(max_contour)cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),3)#紅色框returnimg,seg_imgdefwatershed_segmentation(img):"""分水嶺算法分割"""#1.預(yù)處理：灰度化+降噪+二值化gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)blur=cv2.GaussianBlur(gray,(5,5),0)#高斯降噪ret,binary=cv2.threshold(blur,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#2.形態(tài)學(xué)操作：去除小噪點(diǎn)kernel=np.ones((3,3),np.uint8)opening=cv2.morphologyEx(binary,cv2.MORPH_OPEN,kernel,iterations=2)#3.距離變換+獲取種子點(diǎn)dist_transform=cv2.distanceTransform(opening,cv2.DIST_L2,5)ret,seeds=cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)seeds=np.uint8(seeds)#4.標(biāo)記未知區(qū)域unknown=cv2.subtract(cv2.dilate(opening,kernel),seeds)#5.生成markers（必須int32類(lèi)型）ret,markers=cv2.connectedComponents(seeds)markers=markers+1markers[unknown==255]=0#6.執(zhí)行分水嶺變換markers=cv2.watershed(img,markers)#7.標(biāo)記邊界+框選img[markers==-1]=[0,0,255]#邊界標(biāo)紅#輪廓檢測(cè)框選contours,_=cv2.findContours((markers==2).astype(np.uint8),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)ifcontours:max_contour=max(contours,key=cv2.contourArea)x,y,w,h=cv2.boundingRect(max_contour)cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3)#綠色框returnimg,markersdefgrabcut_segmentation(img):"""GrabCut算法分割（交互式框選，這里預(yù)設(shè)框選區(qū)域）"""#1.初始化掩碼和GMM模型mask=np.zeros(img.shape[:2],np.uint8)bgdModel=np.zeros((1,65),np.float64)fgdModel=np.zeros((1,65),np.float64)#2.預(yù)設(shè)框選區(qū)域（若需手動(dòng)交互，可改為鼠標(biāo)繪制，這里簡(jiǎn)化為中心區(qū)域）h,w=img.shape[:2]rect=(int(w*0.1),int(h*0.1),int(w*0.8),int(h*0.8))#框選大部分區(qū)域#3.執(zhí)行GrabCutcv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)#4.解析分割結(jié)果（保留確定前景+可能前景）mask_result=np.where((mask==2)|(mask==0),0,1).astype(np.uint8)seg_img=img*mask_result[:,:,np.newaxis]#5.輪廓檢測(cè)+框選gray=cv2.cvtColor(seg_img,cv2.COLOR_BGR2GRAY)contours,_=cv2.findContours(gray,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)ifcontours:max_contour=max(contours,key=cv2.contourArea)x,y,w,h=cv2.boundingRect(max_contour)cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),3)#藍(lán)色框returnimg,seg_imgdefmain():#1.加載圖像img_path="cat.jpg"img_original,img_rgb=load_image(img_path)#2.分別執(zhí)行三種算法分割#K-Means分割img_kmeans=img_original.copy()img_kmeans_seg,_=kmeans_segmentation(img_kmeans)img_kmeans_rgb=cv2.cvtColor(img_kmeans_seg,cv2.COLOR_BGR2RGB)#分水嶺分割img_watershed=img_original.copy()img_watershed_seg,_=watershed_segmentation(img_watershed)img_watershed_rgb=cv2.cvtColor(img_watershed_seg,cv2.COLOR_BGR2RGB)#GrabCut分割img_grabcut=img_original.copy()img_grabcut_seg,_=grabcut_segmentation(img_grabcut)img_grabcut_rgb=cv2.cvtColor(img_grabcut_seg,cv2.COLOR_BGR2RGB)#3.可視化結(jié)果plt.figure(figsize=(18,6))plt.subplot(131)plt.imshow(img_kmeans_rgb)plt.title("K-Means分割（紅色框）",fontsize=12)plt.axis('off')plt.subplot(132)plt.imshow(img_watershed_rgb)plt.title("分水嶺分割（綠色框）",fontsize=12)plt.axis('off')plt.subplot(133)plt.imshow(img_grabcut_rgb)plt.title("GrabCut分割（藍(lán)色框）",fontsize=12)plt.axis('off')plt.tight_layout()plt.savefig("cat_segmentation_result.jpg",dpi=300,bbox_inches='tight')plt.show()print("分割完成！結(jié)果已保存為cat_segmentation_result.jpg")if__name__=="__main__":try:main()exceptExceptionase:print(f"程序執(zhí)行出錯(cuò)：{e}")####1.K-Means分割-核心邏輯：將圖像像素的RGB值作為特征，聚為2類(lèi)（貓/背景），通過(guò)顏色聚類(lèi)區(qū)分目標(biāo)；-后處理：聚類(lèi)后二值化，找到最大輪廓（貓），繪制紅色框選框；-優(yōu)勢(shì)：無(wú)需交互，速度快；劣勢(shì)：對(duì)顏色相近的背景分割效果差。####2.分水嶺分割-核心邏輯：先通過(guò)形態(tài)學(xué)操作去除噪點(diǎn)，距離變換生成可靠種子點(diǎn)，再執(zhí)行分水嶺變換；-后處理：標(biāo)記分水嶺邊界（紅色），找到貓的輪廓繪制綠色框選框；-優(yōu)勢(shì)：邊界分割精準(zhǔn)；劣勢(shì)：對(duì)噪聲敏感，需復(fù)雜預(yù)處理。####3.GrabCut分割-核心邏輯：預(yù)設(shè)矩形框選貓的區(qū)域（模擬用戶(hù)交互），利用顏色/紋理+邊界信息迭代優(yōu)化分割；-后處理：提取前景區(qū)域輪廓，繪制藍(lán)色框選框；-優(yōu)勢(shì)：分割效果最好，僅需少量交互；劣勢(shì)：依賴(lài)初始框選的準(zhǔn)確性。第九章1梯度2分類(lèi)和回歸3A4局部5C6A7A8A9程序代碼如下：importcv2importnumpyasnpimportosimportrandom#======================1.配置參數(shù)======================#HOG特征參數(shù)（適配鹿的體型，可根據(jù)圖像尺寸調(diào)整）HOG_WIN_SIZE=(64,128)#檢測(cè)窗口尺寸HOG_BLOCK_SIZE=(16,16)#塊尺寸HOG_BLOCK_STRIDE=(8,8)#塊步長(zhǎng)HOG_CELL_SIZE=(8,8)#單元格尺寸HOG_NBINS=9#梯度方向bin數(shù)#數(shù)據(jù)集路徑（替換為你的實(shí)際路徑）TRAIN_DEER_PATH="deer_dataset/train/deer"TRAIN_NON_DEER_PATH="deer_dataset/train/non_deer"TEST_IMAGE_PATH="deer_dataset/test"#訓(xùn)練參數(shù)SVM_C=1.0#SVM懲罰系數(shù)RANDOM_SEED=0#隨機(jī)種子（保證結(jié)果可復(fù)現(xiàn)）#======================2.工具函數(shù)======================defload_and_preprocess_image(img_path,target_size):"""加載圖像并預(yù)處理（灰度化+resize）"""img=cv2.imread(img_path)ifimgisNone:returnNonegray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)resized=cv2.resize(gray,target_size)returnresizeddefextract_hog_features(img,hog):"""提取單張圖像的HOG特征"""features=pute(img)returnfeatures.flatten()#轉(zhuǎn)為一維向量defload_dataset(deer_path,non_deer_path,hog):"""加載訓(xùn)練集并提取HOG特征"""#初始化特征和標(biāo)簽features=[]labels=[]#加載鹿的圖像（標(biāo)簽=1）deer_files=[fforfinos.listdir(deer_path)iff.endswith(('.jpg','.png','.jpeg'))]forfindeer_files:img_path=os.path.join(deer_path,f)img=load_and_preprocess_image(img_path,HOG_WIN_SIZE)ifimgisNone:continuehog_feat=extract_hog_features(img,hog)features.append(hog_feat)labels.append(1)#加載非鹿的圖像（標(biāo)簽=0）non_deer_files=[fforfinos.listdir(non_deer_path)iff.endswith(('.jpg','.png','.jpeg'))]forfinnon_deer_files:img_path=os.path.join(non_deer_path,f)img=load_and_preprocess_image(img_path,HOG_WIN_SIZE)ifimgisNone:continuehog_feat=extract_hog_features(img,hog)features.append(hog_feat)labels.append(0)#轉(zhuǎn)換為OpenCVSVM所需的格式features=np.array(features,dtype=np.float32)labels=np.array(labels,dtype=32)#打亂數(shù)據(jù)集np.random.seed(RANDOM_SEED)shuffle_idx=np.random.permutation(len(features))features=features[shuffle_idx]labels=labels[shuffle_idx]print(f"數(shù)據(jù)集加載完成！總樣本數(shù)：{len(features)}|鹿樣本數(shù)：{sum(labels)}|非鹿樣本數(shù)：{len(labels)-sum(labels)}")returnfeatures,labelsdeftrain_svm(features,labels):"""訓(xùn)練SVM分類(lèi)器"""#創(chuàng)建SVM實(shí)例svm=cv2.ml.SVM.create()#配置SVM參數(shù)svm.setKernel(cv2.ml.SVM_LINEAR)#線性?xún)?nèi)核（HOG特征高維，線性核效果好）svm.setType(cv2.ml.SVM_C_SVC)#二分類(lèi)svm.setC(SVM_C)#懲罰系數(shù)#訓(xùn)練模型svm.train(features,cv2.ml.ROW_SAMPLE,labels)#保存模型（可選）svm.save("deer_svm_model.xml")print("SVM模型訓(xùn)練完成！已保存為deer_svm_model.xml")returnsvmdefconvert_svm_to_hog_detector(svm):"""將訓(xùn)練好的SVM轉(zhuǎn)換為HOG檢測(cè)器所需的格式"""#獲取SVM支持向量和決策函數(shù)sv=svm.getSupportVectors()rho,_,_=svm.getDecisionFunction(0)#構(gòu)造HOG檢測(cè)器的系數(shù)svm_detector=np.append(sv,[[-rho]],axis=0)returnsvm_detectordefdetect_deer_in_image(hog,test_img_path):"""在單張圖像中檢測(cè)鹿"""#讀取測(cè)試圖像img=cv2.imread(test_img_path)ifimgisNone:print(f"無(wú)法讀取測(cè)試圖像：{test_img_path}")return#多尺度檢測(cè)rects,weights=hog.detectMultiScale(img,winStride=(8,8),padding=(16,16),scale=1.05)#NMS非極大值抑制（消除重復(fù)框）iflen(rects)>0:indices=cv2.dnn.NMSBoxes([list(rect[:4])forrectinrects],weights[:,0].tolist(),score_threshold=0.5,nms_threshold=0.3)#繪制檢測(cè)框foriinindices:i=i[0]ifisinstance(i,(list,np.ndarray))elseix,y,w,h=rects[i]cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)cv2.putText(img,f"Deer(conf:{weights[i][0]:.2f})",(x,y-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),1)#顯示并保存結(jié)果cv2.imshow("DeerDetectionResult",img)cv2.imwrite(f"detect_result_{os.path.basename(test_img_path)}",img)cv2.waitKey(0)cv2.destroyAllWindows()#======================主流程======================if__name__=="__main__":#1.初始化HOG特征提取器hog=cv2.HOGDescriptor(HOG_WIN_SIZE,HOG_BLOCK_SIZE,HOG_BLOCK_STRIDE,HOG_CELL_SIZE,HOG_NBINS)print("HOG特征提取器初始化完成！")#2.加載數(shù)據(jù)集并提取HOG特征features,labels=load_dataset(TRAIN_DEER_PATH,TRAIN_NON_DEER_PATH,hog)#3.訓(xùn)練SVM模型svm=train_svm(features,labels)#4.將SVM轉(zhuǎn)換為HOG檢測(cè)器svm_detector=convert_svm_to_hog_detector(svm)hog.setSVMDetector(svm_detector)print("SVM模型已綁定到HOG檢測(cè)器！")#5.檢測(cè)測(cè)試圖像中的鹿test_img_files=[fforfinos.listdir(TEST_IMAGE_PATH)iff.endswith(('.jpg','.png','.jpeg'))]fortest_fileintest_img_files:test_img_path=os.path.join(TEST_IMAGE_PATH,test_file)print(f"\n檢測(cè)圖像：{test_img_path}")detect_deer_in_image(hog,test_img_path)print("\n所有測(cè)試圖像檢測(cè)完成！結(jié)果已保存到當(dāng)前目錄。")第十章1二值化歸一化/閾值化2局部二值局部3LBP的二進(jìn)制組合：10000010鄰域位置左上上右上右右下下左下左灰度值73231581二進(jìn)制標(biāo)記10000010對(duì)比規(guī)則：鄰域像素灰度值≥6→標(biāo)記為1鄰域像素灰度值＜6→標(biāo)記為04D5程序代碼如下：importcv2importnumpyasnpimporttime#======================1.配置參數(shù)======================#視頻路徑（0=攝像頭，替換為'person_video.mp4'則讀取本地視頻）VIDEO_PATH=0#優(yōu)先用攝像頭實(shí)時(shí)測(cè)試，更直觀#后處理參數(shù)（降噪+輪廓檢測(cè)）KERNEL=np.ones((5,5),np.uint8)#形態(tài)學(xué)操作核MIN_CONTOUR_AREA=500#最小輪廓面積（過(guò)濾小噪點(diǎn)）#顏色配置（區(qū)分不同算法的標(biāo)記）COLOR_MOG2=(0,255,0)#綠色：MOG2COLOR_KNN=(255,0,0)#藍(lán)色：KNNCOLOR_CNT=(0,0,255)#紅色：CNT#======================2.初始化背景分割器======================definit_background_subtractors():"""初始化3種背景分割算法"""#MOG2：高斯混合模型，支持陰影檢測(cè)mog2=cv2.createBackgroundSubtractorMOG2(history=500,#歷史幀數(shù)量varThreshold=16,#方差閾值（越大越抗光照變化）detectShadows=True#檢測(cè)陰影（陰影標(biāo)記為127）)#KNN：K近鄰背景分割knn=cv2.createBackgroundSubtractorKNN(history=500,dist2Threshold=400,#距離閾值（越大前景越少）detectShadows=True)#CNT：輕量級(jí)實(shí)時(shí)背景分割（速度最快）cnt=cv2.createBackgroundSubtractorCNT(minPixelStability=15,#像素穩(wěn)定幀數(shù)（越小適應(yīng)越快）useHistory=True,#使用歷史背景maxPixelStability=15*60,#最大穩(wěn)定幀數(shù)isParallel=True#并行計(jì)算（加速）)returnmog2,knn,cnt#======================3.前景掩碼后處理======================defprocess_mask(mask):"""對(duì)前景掩碼降噪，提取人物輪廓"""#1.去除陰影（僅保留純前景，值=255）mask=np.where(mask==255,255,0).astype(np.uint8)#2.形態(tài)學(xué)操作：先開(kāi)運(yùn)算（去噪點(diǎn)），再閉運(yùn)算（補(bǔ)孔洞）mask=cv2.morphologyEx(mask,cv2.MORPH_OPEN,KERNEL)mask=cv2.morphologyEx(mask,cv2.MORPH_CLOSE,KERNEL)#3.輪廓檢測(cè)（提取人物輪廓）contours,_=cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)returnmask,contours#======================4.繪制人物標(biāo)記======================defdraw_person_mark(frame,contours,color,algo_name):"""在幀上繪制人物輪廓/檢測(cè)框，并標(biāo)注算法名稱(chēng)"""frame_copy=frame.copy()#遍歷輪廓，標(biāo)記面積大于閾值的區(qū)域（人物）forcntincontours:ifcv2.contourArea(cnt)>MIN_CONTOUR_AREA:#繪制輪廓cv2.drawContours(frame_copy,[cnt],-1,color,2)#繪制外接矩形（檢測(cè)框）x,y,w,h=cv2.boundingRect(cnt)cv2.rectangle(frame_copy,(x,y),(x+w,y+h),color,2)#標(biāo)注算法名稱(chēng)cv2.putText(frame_copy,algo_name,(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,color,2)returnframe_copy#======================5.主流程：多算法對(duì)比======================defmain():#初始化背景分割器mog2,knn,cnt=init_background_subtractors()#讀取視頻/攝像頭cap=cv2.VideoCapture(VIDEO_PATH)ifnotcap.isOpened():raiseException("無(wú)法打開(kāi)視頻/攝像頭，請(qǐng)檢查路徑或設(shè)備！")#獲取視頻參數(shù)（用于保存結(jié)果）fps=int(cap.get(cv2.CAP_PROP_FPS))width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))#保存結(jié)果視頻（可選）fourcc=cv2.VideoWriter_fourcc(*'mp4v')out=cv2.VideoWriter('background_subtraction_compare.mp4',fourcc,fps,(width*2,height*2))#性能統(tǒng)計(jì)algo_times={'mog2':[],'knn':[],'cnt':[]}print("開(kāi)始檢測(cè)！按'q'退出，按's'保存當(dāng)前幀對(duì)比圖")whilecap.isOpened():ret,frame=cap.read()ifnotret:break#記錄各算法耗時(shí)start_time=time.time()#==========MOG2分割==========mog2_mask=mog2.apply(frame)mog2_mask_processed,mog2_contours=process_mask(mog2_mask)mog2_frame=draw_person_mark(frame,mog2_contours,COLOR_MOG2,"MOG2")algo_times['mog2'].append(time.time()-start_time)#==========KNN分割==========start_time=time.time()knn_mask=knn.apply(frame)knn_mask_processed,knn_contours=process_mask(knn_mask)knn_frame=draw_person_mark(frame,knn_contours,COLOR_KNN,"KNN")algo_times['knn'].append(time.time()-start_time)#==========CNT分割==========start_time=time.time()cnt_mask=cnt.apply(frame)cnt_mask_processed,cnt_contours=process_mask(cnt_mask)cnt_frame=draw_person_mark(frame,cnt_contours,COLOR_CNT,"CNT")algo_times['cnt'].append(time.time()-start_time)#==========拼接顯示窗口==========#上半部分：原始幀+MOG2結(jié)果row1=np.hstack((frame,mog2_frame))#下半部分：KNN結(jié)果+CNT結(jié)果row2=np.hstack((knn_frame,cnt_frame))#合并為2x2網(wǎng)格show_frame=np.vstack((row1,row2))#縮放窗口（適配屏幕）show_frame=cv2.resize(show_frame,(1280,720))#顯示cv2.imshow("背景分割算法對(duì)比(MOG2=綠|KNN=藍(lán)|CNT=紅)",show_frame)#寫(xiě)入結(jié)果視頻out.write(cv2.resize(np.vstack((row1,row2)),(width*2,height*2)))#按鍵操作key=cv2.waitKey(1)&0xFFifkey==ord('q'):breakelifkey==ord('s'):cv2.imwrite("background_subtraction_compare.jpg",show_frame)print("當(dāng)前幀對(duì)比圖已保存！")#==========性能統(tǒng)計(jì)與分析==========print("\n==========算法性能統(tǒng)計(jì)==========")foralgo,timesinalgo_times.items():avg_time=np.mean(times)*1000#轉(zhuǎn)毫秒print(f"{algo.upper()}平均單幀耗時(shí)：{avg_time:.2f}ms")#釋放資源cap.release()out.release()cv2.destroyAllWindows()#======================運(yùn)行主程序======================if__name__=="__main__":try:main()exceptExceptionase:print(f"程序出錯(cuò)：{e}")結(jié)論：對(duì)人像視頻分割，MOG2算法的精度最優(yōu)，KNN適合動(dòng)態(tài)背景，CNT適合實(shí)時(shí)場(chǎng)景；6色調(diào)（Hue）、飽和度（Saturation）、明度（Value）7A8瞬時(shí)速度9運(yùn)動(dòng)速度矢量10變化相關(guān)性11特征點(diǎn)圖像上的所有像素點(diǎn)12D13上升梯度方向逐步迭代偏移至密度梯度值近似為014HSV（或Hue/色調(diào)）MeanShift（均值漂移）中心（或?qū)崟r(shí)）15B第十一章1神經(jīng)元模型是一個(gè)包含輸入、加權(quán)求和與激活（非線性映射）功能的模型。2一個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)包含3個(gè)層次，分別為輸入層、隱藏層、輸出層。3分類(lèi)問(wèn)題中過(guò)擬合現(xiàn)象的消除方法有增大訓(xùn)練數(shù)據(jù)集、正則化（L1/L2正則）、早停（EarlyStopping）、Dropout隨機(jī)失活。4分類(lèi)問(wèn)題中欠擬合現(xiàn)象的消除方法有增加模型復(fù)雜度、延長(zhǎng)訓(xùn)練時(shí)間、特征工程（擴(kuò)充有效特征）。對(duì)比維度監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)半監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)數(shù)據(jù)標(biāo)簽全量輸入-輸出標(biāo)簽對(duì)無(wú)標(biāo)簽少量標(biāo)簽+大量無(wú)標(biāo)簽無(wú)標(biāo)簽，靠環(huán)境獎(jiǎng)勵(lì)反饋學(xué)習(xí)目標(biāo)輸入→輸出的映射關(guān)系數(shù)據(jù)的內(nèi)在規(guī)律/結(jié)構(gòu)稀缺標(biāo)簽下的映射+規(guī)律最大化累計(jì)獎(jiǎng)勵(lì)的決策策略反饋機(jī)制預(yù)測(cè)值與真實(shí)標(biāo)簽的誤差無(wú)外部反饋，數(shù)據(jù)自驅(qū)動(dòng)標(biāo)簽誤差+數(shù)據(jù)結(jié)構(gòu)輔助環(huán)境的獎(jiǎng)勵(lì)信號(hào)典型任務(wù)分類(lèi)、回歸聚類(lèi)、降維、特征提取分類(lèi)、回歸（標(biāo)簽稀缺）決策、控制、博弈核心挑戰(zhàn)標(biāo)簽成本高、過(guò)擬合評(píng)價(jià)標(biāo)準(zhǔn)模糊、訓(xùn)練難度大數(shù)據(jù)分布匹配、模型復(fù)雜度獎(jiǎng)勵(lì)設(shè)計(jì)、訓(xùn)練不穩(wěn)定56A7A8A9不同訓(xùn)練樣本數(shù)量下手寫(xiě)數(shù)字識(shí)別的算法表樣本數(shù)量測(cè)試集準(zhǔn)確率過(guò)擬合度預(yù)測(cè)穩(wěn)定性核心表現(xiàn)描述15065%~75%極高極差模型僅記住少量樣本的特征，對(duì)新樣本泛化能力極弱；易把“筆畫(huà)粗細(xì)/位置偏移”誤判為不同數(shù)字，比如把“偏左的1”判為“7”50080%~85%高較差能識(shí)別部分核心特征（如“0的圓形、8的雙圈”），但對(duì)相似數(shù)字（如3/8、5/6）仍大量誤判；準(zhǔn)確率提升但波動(dòng)大150090%~93%中等較好能學(xué)習(xí)到數(shù)字的通用特征（如“2的曲線、4的拐角”），相似數(shù)字誤判顯著減少；過(guò)擬合程度降低，預(yù)測(cè)結(jié)果更穩(wěn)定600095%~97%低優(yōu)秀模型充分學(xué)習(xí)到數(shù)字的本質(zhì)特征（不受筆畫(huà)、位置、粗細(xì)影響），僅在極端噪聲樣本（如模糊/殘缺數(shù)字）下少量誤判；接近算法在MNIST上的“性能天花板”核心原理：可以把模型比作“學(xué)認(rèn)數(shù)字的小孩”：只教150個(gè)例子（150個(gè)樣本）：小孩只認(rèn)識(shí)“媽媽寫(xiě)的0、爸爸寫(xiě)的1”，遇到老師寫(xiě)的0就不認(rèn)識(shí)了（泛化差、準(zhǔn)確率低）；教500/1500個(gè)例子：小孩見(jiàn)過(guò)不同人寫(xiě)的數(shù)字，總結(jié)出“0是圓的、1是豎的”，能認(rèn)大多數(shù)數(shù)字（準(zhǔn)確率提升）；教6000個(gè)例子：小孩見(jiàn)過(guò)各種奇葩寫(xiě)法的數(shù)字（潦草的、歪的、細(xì)的），幾乎能認(rèn)所有情況（準(zhǔn)確率接近上限）。第十二章1YouOnlyLookOnce2A304YOLOv5的模型文件格式為ONNX（全稱(chēng)OpenNeuralNetworkExchange）；而YOLOv5原生訓(xùn)練導(dǎo)出的模型格式是.pt（PyTorch權(quán)重文件），需先轉(zhuǎn)換為ONNX格式才能被OpenCV調(diào)用。5實(shí)用結(jié)論（結(jié)合YOLOv5訓(xùn)練實(shí)踐）（1）YOLOv5的“最優(yōu)訓(xùn)練輪數(shù)”：絕大多數(shù)場(chǎng)景下，YOLOv5的最優(yōu)輪數(shù)在300~1500輪之間（具體取決于數(shù)據(jù)集大小）：小數(shù)據(jù)集（<1000樣本）：300~500輪即可收斂；中等數(shù)據(jù)集（1000~10000樣本）：800~1500輪達(dá)到最優(yōu)；大數(shù)據(jù)集（>10000樣本）：1500~2000輪后精度提升已不明顯。（2）6000輪完全無(wú)必要：YOLOv5采用了早停（EarlyStopping）、正則化等機(jī)制，但6000輪仍會(huì)觸發(fā)嚴(yán)重過(guò)擬合，且訓(xùn)練時(shí)間大幅增加（如100輪1小時(shí)，6000輪需60小時(shí)），總結(jié)：訓(xùn)練輪數(shù)增加的核心變化：精度先升后降，損失(train)持續(xù)降、損失(val)先降后升，過(guò)擬合從無(wú)到嚴(yán)重；1500輪是多數(shù)場(chǎng)景的“最優(yōu)輪數(shù)”（精度峰值，過(guò)擬合可控），6000輪因嚴(yán)重過(guò)擬合導(dǎo)致效果回落；關(guān)鍵判斷依據(jù)：以val/box_loss和mAP_0.5為核心，而非單純追求“更多輪數(shù)”。6詳見(jiàn)以下步驟：一、核心需求利用YOLOv5框架，基于防護(hù)帽相關(guān)圖像數(shù)據(jù)集，訓(xùn)練一個(gè)能精準(zhǔn)識(shí)別圖像中人員是否佩戴防護(hù)帽（安全帽/頭盔）的目標(biāo)檢測(cè)模型，最終實(shí)現(xiàn)對(duì)單張圖片/視頻/攝像頭畫(huà)面中防護(hù)帽的實(shí)時(shí)檢測(cè)。二、完整實(shí)操步驟步驟1：環(huán)境準(zhǔn)備（基礎(chǔ)前提）首先搭建YOLOv5運(yùn)行的Python環(huán)境，推薦使用Anaconda管理環(huán)境：#1.創(chuàng)建并激活虛擬環(huán)境（Python3.8/3.9兼容性最佳）condacreate-nyolov5python=3.8condaactivateyolov5#2.安裝依賴(lài)（YOLOv5官方依賴(lài)+額外工具）pipinstalltorchtorchvisiontorchaudio--index-url/w