使用OpenCV 分类器检测视频中的行人，并用绿色框进行标注，将框的中心点用红色点进行标注

使用 Python 和 OpenCV 库来检测视频中的行人，并在视频中标记出他们的位置和中心点

首先我们加载了用于检测行人的 Haar 级联分类器，并设置了输入和输出视频文件的路径。

然后我们逐帧读取输入视频，将每一帧转换成灰度图像，并使用 Haar 级联分类器检测行人。

对于检测到的行人，我们在其周围绘制了绿色矩形框，并用红色标记出其中心点。

最后，我们将处理后的帧写入到输出视频文件中。

以下是代码实现：

import cv2

# 加载行人检测器
fullboby_cascade = cv2.CascadeClassifier(r'D:\py3.6\Lib\site-packages\cv2\data\haarcascade_fullbody.xml')

# 读取输入视频文件和设置输出视频文件
input_video_path = r'视频路径'
output_video_path = r'保存路径'

cap = cv2.VideoCapture(input_video_path)  # 读取视频
fps = cap.get(cv2.CAP_PROP_FPS) #获取视频的帧率
# 获取视频的长宽
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_video_path, fourcc, fps, (width, height))

# 处理视频并保存处理后的帧
while True:
    ret, frame = cap.read()
    if not ret:
        break
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # 检测行人 函数中的参数可以根据视频中的行人调整
    pedestrians = fullboby_cascade.detectMultiScale(gray, scaleFactor=2, minNeighbors=2, minSize=(30,30))
    # 在行人位置画框和标点
    for (x, y, w, h) in pedestrians:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 4)
        center_x = x + w // 2
        center_y = y + h // 2
        cv2.circle(frame, (center_x, center_y), 5, (0, 0, 255), -1)
    # 保存处理后的帧
    out.write(frame)

# 释放资源
cap.release()
out.release()

上面的代码是一个完整的视频处理流程。在这段代码中，我们使用了 OpenCV 库提供的 Haar 级联分类器来进行行人检测。Haar 级联分类器是一种基于机器学习的对象检测方法，它可以在图像中检测出具有特定特征的对象。在这里，我们使用了预训练好的行人检测器（haarcascade_fullbody.xml），它包含了用于检测行人的特征模式。

同时，我们还利用了 OpenCV 提供的视频处理功能，通过逐帧处理视频并保存处理后的帧，实现了对视频中行人的检测和标记。

希望本文能帮助你了解如何使用Python和OpenCV进行行人视频检测并标记。如果你有任何问题，请随时提问。