简介这份资源是一套基于Python与OpenCV实现视频人数识别统计的完整项目源码面向计算机、人工智能、通信工程、自动化等专业的在校学生与教师也适合作为毕设、课程设计或项目初期立项的参考案例。压缩包共3个文件包含1个py主程序、1个mp4测试视频和1个md说明文档整体约9.39MB主程序实现视频读取、目标检测与人数统计并带窗体展示视频文件可直接用于运行验证说明文档则帮助快速理解项目结构与使用方式。目前已有368人学习下载代码经过实际运行测试功能正常后才上传答辩评审平均分达到96分。读者可据此掌握OpenCV视频处理、目标识别与计数统计的核心思路并在此基础上修改扩展实现更多自定义功能适合小白进阶学习也可作为毕设或课设的可靠起点。1. 用 PythonOpenCV 做视频人数统计从拉流到计数的完整落地路径很多人第一次听到「基于 PythonOpenCV 识别视频统计人数」脑子里浮现的是商场大屏上那种实时跳动的客流数字但真正动手才发现卡住自己的往往不是算法而是视频读不进来、帧率掉到个位数、同一个人被反复计数。这个方向的核心其实就三件事把视频稳定地读成帧序列在每一帧里找到人再把人从「这一帧的位置」关联成「一条轨迹」并去重计数。OpenCV 负责前两件事的工程骨架Python 负责把检测、跟踪、计数逻辑串起来。它适合有 Python 基础、想做一个能跑起来的视觉小项目的开发者也适合需要快速验证客流统计可行性的工程同学。下面这套路径不依赖任何特定硬件普通笔记本的 CPU 就能跑通最小版本后面再谈怎么提速和提准。2. 视频读取与帧预处理别让第一行代码就翻车2.1 为什么 VideoCapture 读不出帧问题多半在解码后端cv2.VideoCapture是 OpenCV 读视频的统一入口但它背后调用的是 FFmpeg 或系统自带解码器能不能打开一个文件或一路流取决于后端有没有对应的解码能力。本地 MP4 文件通常没问题但遇到 H.265 编码、某些监控设备导出的私有封装或者网络摄像头的 RTSP 地址就会出现isOpened()返回 False 或者读几帧就断的情况。常见做法是先确认 OpenCV 编译时带了 FFmpeg 支持用cv2.getBuildInformation()看输出里 FFMPEG 那一行是不是 YES。如果显示 NO说明你装的可能是精简版 wheel换一个完整版或者用 conda 装opencv-python通常能解决。另一个高频坑是路径里有中文或空格。OpenCV 在 Windows 下对非 ASCII 路径支持不稳定读文件失败时先怀疑路径。解决办法很简单把视频放到纯英文目录或者用cv2.imdecode配合numpy.fromfile手动解码绕开路径问题。import cv2 import numpy as np # 方式一直接读适合纯英文路径 cap cv2.VideoCapture(test_video.mp4) # 方式二中文路径兜底先读字节再解码 def read_video_chinese_path(path): with open(path, rb) as f: data f.read() arr np.frombuffer(data, np.uint8) # 这里只适用于图片视频仍需 VideoCapture中文路径建议直接改目录名 return cv2.imdecode(arr, cv2.IMREAD_COLOR) if not cap.isOpened(): print(打开失败检查路径、编码格式或 FFmpeg 支持) else: fps cap.get(cv2.CAP_PROP_FPS) w int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) print(f分辨率 {w}x{h}, 帧率 {fps})上面代码里CAP_PROP_FPS拿到的是文件声明的帧率不一定等于实际可读帧率网络流经常返回 0 或异常值。参数说明CAP_PROP_FRAME_WIDTH/HEIGHT用于后续画框和坐标换算如果这两个值是 0说明流还没协商好需要先读一帧再取。逻辑上先验证能打开、能拿到尺寸再进入循环否则后面所有检测都是空转。2.2 抽帧策略不是每一帧都值得送进检测器视频人数统计最容易犯的错是把每一帧都塞给检测模型。30fps 的视频跑 YOLO 这类模型CPU 上可能只有 2 到 3fps画面严重滞后而且相邻帧的人几乎没动重复计算纯属浪费。常见做法是跳帧处理比如每 3 帧或每 5 帧检测一次中间帧用跟踪算法补位。跳帧间隔怎么定看人的移动速度出入口场景人走得快间隔大了会漏人大厅慢速移动间隔可以大一些。我一般先用frame_interval 3试观察计数是否稳定再调。frame_interval 3 frame_id 0 while True: ret, frame cap.read() if not ret: break frame_id 1 if frame_id % frame_interval ! 0: continue # 跳过不处理的帧只做跟踪更新 # 到这里 frame 才送检测 process_frame(frame)这段逻辑的关键是continue之前不要做任何重计算只保留cap.read()维持解码进度。参数frame_interval越大越快但轨迹连续性越差。如果后面用质心跟踪间隔超过 5 帧就容易把两个人串成一条轨迹这时候要么减小间隔要么换更稳的跟踪器。2.3 分辨率缩放与 ROI 裁剪把算力花在刀刃上1080p 甚至 4K 的视频直接送检测模型输入会被强制缩放到固定尺寸等于白算。更合理的做法是先缩放到检测模型需要的输入附近比如 640 宽再送进去。同时如果只关心画面里某条通道或某个门口用 ROI 裁剪把无关区域切掉既提速又减少误检。ROI 可以用frame[y1:y2, x1:x2]直接切注意切完后的坐标要加回偏移量否则画框会错位。target_width 640 scale target_width / frame.shape[1] resized cv2.resize(frame, (target_width, int(frame.shape[0] * scale))) # ROI 裁剪假设只关心画面下半部分 roi resized[resized.shape[0]//2:, :] # 检测结果坐标要加上 y 偏移 resized.shape[0]//2 才能映射回原图参数说明target_width建议对齐检测模型的输入尺寸常见是 640 或 416。ROI 的边界不要卡得太死留一点余量否则人走到边缘会被截断导致漏检。缩放用cv2.INTER_LINEAR就够追求速度可以用INTER_NEAREST但画质损失明显。3. 人体检测选型与推理CPU 上也能跑出可用帧率3.1 HOGSVM、YOLO、MobileNet-SSD 到底怎么选OpenCV 自带 HOG 描述子加 SVM 的人体检测器cv2.HOGDescriptor_getDefaultPeopleDetector()一行就能用优点是零依赖、CPU 友好缺点是遮挡和侧身几乎必漏只适合人少、正面、光照均匀的场景。真要统计人数主流还是走深度学习检测。YOLO 系列精度和速度平衡最好但需要额外装推理框架MobileNet-SSD 是 OpenCV DNN 模块能直接加载的轻量模型适合不想折腾环境的人。选型逻辑很简单要精度且能接受装依赖选 YOLO要开箱即用、CPU 实时选 MobileNet-SSD只是做个 demo 演示HOG 也能凑合。方案依赖CPU 帧率640 输入遮挡表现适用场景HOGSVM无8-15差演示、人少正面MobileNet-SSDOpenCV DNN5-10中快速验证、边缘设备YOLOv5n/YOLOv8nPyTorch/ONNX3-8好正式项目、精度优先3.2 用 OpenCV DNN 加载 MobileNet-SSD 的最小可跑代码下面这段是能直接抄的模型文件需要自己下载 Caffe 版本的 MobileNet-SSD放到同目录。注意blobFromImage的缩放系数和均值要和训练时一致否则检测框会飘。import cv2 import numpy as np net cv2.dnn.readNetFromCaffe( deploy.prototxt, mobilenet_iter_73000.caffemodel ) def detect_persons(frame, conf_threshold0.4): h, w frame.shape[:2] # 输入尺寸 300x300缩放系数 0.007843均值 127.5 blob cv2.dnn.blobFromImage( cv2.resize(frame, (300, 300)), 0.007843, (300, 300), (127.5, 127.5, 127.5) ) net.setInput(blob) detections net.forward() boxes [] for i in range(detections.shape[2]): confidence detections[0, 0, i, 2] if confidence conf_threshold: continue class_id int(detections[0, 0, i, 1]) if class_id ! 15: # PASCAL VOC 里 person 的类别 id 是 15 continue box detections[0, 0, i, 3:7] * np.array([w, h, w, h]) boxes.append(box.astype(int)) return boxes逻辑说明blobFromImage把 BGR 图转成模型要的 blob0.007843是 1/127.5把像素归一化到 [-1,1]。conf_threshold是置信度阈值调低会多检但误检增加调高会漏检。类别 id 15 是 VOC 数据集的 person换模型要改这个值。返回的 boxes 是原图坐标可以直接画框。3.3 置信度阈值和非极大值抑制的调参手感conf_threshold设 0.4 是个保守起点实际要看场景。逆光、夜间、远距离小目标置信度普遍偏低可以降到 0.25 到 0.3但误检会明显上升这时候要靠 NMS 和面积过滤兜底。NMS 在 OpenCV DNN 里没有自动做需要自己写或者用cv2.dnn.NMSBoxes。另一个实用技巧是按框面积过滤太小的框比如小于画面面积的 0.5%基本是噪声直接丢掉太大的框超过 80%多半是误检也丢。这两个阈值比调置信度更稳血泪经验是先把面积过滤加上再微调置信度。def filter_boxes(boxes, frame_area, min_ratio0.005, max_ratio0.8): result [] for (x1, y1, x2, y2) in boxes: area (x2 - x1) * (y2 - y1) ratio area / frame_area if min_ratio ratio max_ratio: result.append((x1, y1, x2, y2)) return result参数min_ratio和max_ratio根据摄像头高度和焦距调固定机位调一次就行。移动机位或者变焦场景要谨慎容易把正常目标滤掉。4. 从检测框到人数跟踪、去重与越线计数的实现4.1 质心跟踪为什么够用什么时候必须换检测只能告诉你「这一帧有几个人」统计人数要的是「一共有几个人经过」。最轻量的关联方法是质心跟踪给每个检测框算中心点和上一帧已有轨迹的中心点做距离匹配小于阈值就认为是同一个人更新轨迹匹配不上的新建轨迹。这个方法在人不密集、移动连续时够用代码几十行就能写。但人一多、交叉走动质心距离就会串轨这时候要换 IOU 匹配或者带外观特征的跟踪器比如 DeepSORT。判断标准如果计数结果比实际多出 20% 以上先怀疑串轨。from scipy.spatial import distance as dist class CentroidTracker: def __init__(self, max_disappeared30, max_distance80): self.next_id 0 self.objects {} # id - 质心 self.disappeared {} # id - 连续丢失帧数 self.max_disappeared max_disappeared self.max_distance max_distance def register(self, centroid): self.objects[self.next_id] centroid self.disappeared[self.next_id] 0 self.next_id 1 def deregister(self, obj_id): del self.objects[obj_id] del self.disappeared[obj_id] def update(self, rects): if len(rects) 0: for obj_id in list(self.disappeared.keys()): self.disappeared[obj_id] 1 if self.disappeared[obj_id] self.max_disappeared: self.deregister(obj_id) return self.objects input_centroids np.zeros((len(rects), 2), dtypeint) for i, (x1, y1, x2, y2) in enumerate(rects): input_centroids[i] (int((x1 x2) / 2.0), int((y1 y2) / 2.0)) if len(self.objects) 0: for i in range(len(input_centroids)): self.register(input_centroids[i]) else: obj_ids list(self.objects.keys()) obj_centroids list(self.objects.values()) D dist.cdist(np.array(obj_centroids), input_centroids) rows D.min(axis1).argsort() cols D.argmin(axis1)[rows] used_rows, used_cols set(), set() for (row, col) in zip(rows, cols): if row in used_rows or col in used_cols: continue if D[row, col] self.max_distance: continue obj_id obj_ids[row] self.objects[obj_id] input_centroids[col] self.disappeared[obj_id] 0 used_rows.add(row) used_cols.add(col) unused_rows set(range(D.shape[0])) - used_rows unused_cols set(range(D.shape[1])) - used_cols for row in unused_rows: obj_id obj_ids[row] self.disappeared[obj_id] 1 if self.disappeared[obj_id] self.max_disappeared: self.deregister(obj_id) for col in unused_cols: self.register(input_centroids[col]) return self.objects逻辑说明max_disappeared是允许目标消失多少帧后仍保留轨迹设太小会导致遮挡后重新计数设太大会让离开的人迟迟不注销。max_distance是匹配距离上限和画面分辨率、帧间隔有关640 宽画面下 80 像素是个经验值。update返回当前所有活跃轨迹的质心计数逻辑基于轨迹 id 而不是检测框数量这是去重的关键。4.2 越线计数用方向判断避免来回抖动重复计有了稳定轨迹计数就简单了在画面里画一条虚拟线当某个轨迹的质心从线的一侧移动到另一侧计数加一。难点在于人在线上来回走会反复触发。解决办法是记录轨迹上一次所在侧只有发生侧别翻转才计数并且加一个冷却时间同一个 id 在若干帧内只计一次。def count_crossing(objects, line_y, side_history, counted_ids, cooldown15): count 0 for obj_id, centroid in objects.items(): cy centroid[1] current_side below if cy line_y else above if obj_id not in side_history: side_history[obj_id] current_side continue prev_side side_history[obj_id] if prev_side ! current_side: if obj_id not in counted_ids: count 1 counted_ids[obj_id] cooldown side_history[obj_id] current_side # 冷却递减 for k in list(counted_ids.keys()): counted_ids[k] - 1 if counted_ids[k] 0: del counted_ids[k] return count参数line_y是虚拟线的纵坐标cooldown是同一 id 重复计数的冷却帧数。逻辑上先判断侧别变化再查冷却表避免同一个人来回走被计多次。side_history和counted_ids要跨帧保持不能每帧重建。4.3 把检测、跟踪、计数串成主循环主循环的顺序很重要读帧、跳帧判断、检测、跟踪更新、越线计数、画框显示。检测和跟踪的帧率可以不同跟踪每帧都跑检测按间隔跑。画框时把轨迹 id 和当前总人数标在画面上方便调试。cap cv2.VideoCapture(test_video.mp4) tracker CentroidTracker() side_history {} counted_ids {} total_count 0 line_y 300 frame_id 0 while True: ret, frame cap.read() if not ret: break frame_id 1 if frame_id % 3 0: boxes detect_persons(frame) boxes filter_boxes(boxes, frame.shape[0] * frame.shape[1]) objects tracker.update(boxes) else: objects tracker.update([]) # 只做消失更新不检测 total_count count_crossing(objects, line_y, side_history, counted_ids) cv2.line(frame, (0, line_y), (frame.shape[1], line_y), (0, 255, 0), 2) for obj_id, centroid in objects.items(): cv2.putText(frame, fID {obj_id}, (centroid[0]-10, centroid[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.putText(frame, fCount: {total_count}, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) cv2.imshow(Count, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()注意非检测帧传空列表给tracker.update让轨迹的消失计数正常推进否则人离开后轨迹永远不注销。total_count累加的是每帧新增的越线次数不是当前画面人数这两个概念别混。5. 避坑与排查那些让计数结果对不上的真实原因5.1 同一个人被计成多个 ID现象画面里只有一个人走过计数却加了三四次。原因通常是检测框在相邻帧之间抖动太大质心距离超过max_distance跟踪器认为是新目标。解决先降低检测的跳帧间隔让轨迹更连续再把max_distance适当调大但别超过两个人正常间距的一半否则会串轨。另一个隐藏原因是置信度阈值太高人稍微侧身就检测不到轨迹断掉后重新注册。把阈值降到 0.3 左右通常能缓解。5.2 计数偏少人明明过去了没算上现象实际过去 10 个人只统计到 6 个。原因多半是虚拟线位置不合理或者人在线上方就被 ROI 裁掉了。检查 ROI 是否覆盖了整条越线路径虚拟线不要贴着画面边缘留出至少 50 像素的缓冲。还有一种情况是max_disappeared设得太小人短暂遮挡后轨迹被注销再出现时算新 id但侧别历史丢了越线事件没触发。把max_disappeared调到 30 到 50 之间试试。5.3 帧率骤降导致画面卡死现象跑几十秒后程序越来越慢最后卡住。原因通常是cap.read()在解码上耗时波动或者显示窗口waitKey阻塞。排查方法在循环里打印每帧耗时看是读帧慢还是检测慢。如果是读帧慢换成本地文件测试排除网络流问题如果是检测慢加大frame_interval或者换更小的模型输入。另外cv2.imshow在无显示环境会报错服务器上跑要注释掉显示相关代码。5.4 夜间或逆光场景检测全丢现象白天正常晚上计数几乎为零。原因是可见光模型在低照度下置信度暴跌。解决如果摄像头支持红外切到黑白夜视模式检测反而更稳如果不支持只能在预处理阶段做直方图均衡化或者 Gamma 校正但提升有限。这种场景下别硬调阈值误检会爆炸务实做法是接受夜间精度下降或者换带红外补光的设备。5.5 中文路径和 OpenCV 版本不匹配现象ModuleNotFoundError: No module named cv2或者读视频直接失败。前者是没装对包pip install opencv-python装的是主模块opencv-contrib-python才带额外功能别装混。后者优先查路径其次查 OpenCV 编译信息里 FFMPEG 是否为 YES。Anaconda 环境里如果conda list有 opencv 但 import 失败多半是多个环境串了确认当前python和pip指向同一个环境。6. 进阶技巧用简单校验和参数固化把方案跑稳做到这里最小可用版本已经能跑了但离「敢放在现场跑一周」还差一步。我的习惯是加两个东西一个离线校验脚本一个参数配置文件。离线校验脚本拿一段已知人数的视频跑完整流程把统计结果和真实值对比误差超过 15% 就不上线。参数配置把conf_threshold、frame_interval、max_distance、line_y这些全部外置成 JSON换场景只改配置不改代码避免每次调参都要翻源码。import json def load_config(pathconfig.json): with open(path, r, encodingutf-8) as f: return json.load(f) # config.json 示例内容 # { # conf_threshold: 0.35, # frame_interval: 3, # max_distance: 80, # max_disappeared: 40, # line_y: 300, # min_area_ratio: 0.005, # max_area_ratio: 0.8 # }校验脚本的写法是读视频、跑主循环、不显示画面、最后打印总计数和耗时。跑三遍取平均排除偶然波动。如果三遍结果差异超过 10%说明跟踪不稳定先解决串轨再谈精度。另一个实用技巧是给轨迹加一个「最小存活帧数」过滤。刚注册的轨迹如果只存活一两帧就消失多半是误检不应该参与计数。在count_crossing里加一个判断轨迹连续存在超过 5 帧才允许触发越线事件能砍掉大部分一闪而过的假目标。参数作用调整方向conf_threshold检测置信度门槛漏检多就降误检多就升frame_interval检测跳帧间隔卡顿就加大串轨就减小max_distance质心匹配距离断轨多就加大串轨就减小max_disappeared轨迹保留帧数遮挡多就加大残留多就减小line_y虚拟计数线位置避开画面边缘和 ROI 边界最后说个我自己的教训这个方案最容易让人上头的地方是调参总觉得再调一点就更准。但实际项目里摄像头安装角度和光照稳定性对结果的影响远大于那几个阈值。与其在代码里反复试不如先把摄像头固定好、把虚拟线画在人的必经之路上再回来微调参数。希望帮到你。本文还有配套的精品资源点击获取