OpenCV车流量识别系统实战：背景减除与车辆检测技术解析

简介：这是一份基于Python与OpenCV实现的车流量识别系统完整源码包，适合计算机、物联网等相关专业学生用于课程设计或期末大作业，也适合刚接触OpenCV的初学者参考。项目代码含有详细注释，功能上覆盖车辆检测、车流量统计与结果展示等核心环节，界面简洁、操作直接，部署门槛低。源码包共10个文件，以3个Python脚本为主体，配合3个XML配置文件存放模型或界面参数，另有说明文档、Git忽略文件及工程配置文件，可帮助快速理解项目结构并顺利运行。包体仅8KB，轻量便于下载和二次修改。目前已有480人学习下载，在同类作业资源中具有一定参考热度。借助这份源码，使用者可以掌握OpenCV视频帧处理、车辆轮廓识别与计数逻辑的实现思路，同时获得一套可直接演示的完整项目，满足结课汇报或答辩展示的实际需要。

1. 车流量识别系统：这个资源到底解决什么问题

严格说，这套基于 Python + OpenCV 的车流量识别系统源码，做的并不是深度学习那套目标检测，而是一套传统视觉方案——背景减除 + 形态学处理 + 连通域分析。它面对的场景是固定摄像头下的车流统计，不是自动驾驶那种复杂路面。下载包里几个核心文件，vehicles.py、main.py、CAR2021917.py，加上car_test-master测试数据，跑通之后能输出检测画面、车辆计数和过车方向。对正在找 OpenCV 课程设计、期末大作业的人来说，这套源码的价值在于：逻辑链路完整，有注释，且不需要 GPU，普通笔记本就能跑。它的边界也很清楚：只适合交通监控这类背景相对稳定的机位，摄像头一旦抖动，效果会明显下降。接下来我会按「原理 → 部署 → 调参 → 避坑 → 增强」的顺序把它拆开。

2. 车辆检测的底层逻辑：背景减除与前景提取

2.1 为什么选择背景减除而不是检测模型

绝大部分经典车流量识别系统用到的不是 YOLO 这类目标检测网络，而是运动检测思路——假设摄像头的背景是相对固定的，凡是和背景差异大的像素都属于前景（车辆、行人、其他移动物体）。OpenCV 里实现这一思路的模块叫 BackgroundSubtractor，常用的有createBackgroundSubtractorMOG2和createBackgroundSubtractorKNN两种。

这个选择背后有几个现实的考量：

1. 计算开销低：传统算法一帧图像的背景建模和前景分割只需要做矩阵差分与阈值判断，在纯 CPU 上处理 720P 视频也能跑到 20 FPS 以上。
2. 不需要训练样本：目标检测模型必须准备标注数据集、跑训练流程，这套源码直接对视频流做推理，几乎零成本启动。
3. 对小物体的敏感性：MOG2 对光线渐变和像素级噪声有自适应能力，运动目标轮廓提取方面，对车这种占据了上百像素的大目标非常友好。

选 MOG2 还是 KNN，两者在 OpenCV 中的实现区别并不大。MOG2 是基于高斯混合模型，能更好处理缓慢光照变化；KNN 则是基于最近邻判断，对快速变化的场景响应更灵敏。这套项目里默认走的是 MOG2 风格，对大车流和普通监控场景够用。下面是这个系统里最核心的一段前景提取代码：

import cv2 # 创建背景减除器 # history=500：用于建模的帧数，数值越大，背景更新越慢 # varThreshold=16：像素值差异大于该阈值才被认为是前景 # detectShadows=True：开启阴影检测，抑制运动物体投射的阴影 subtractor = cv2.createBackgroundSubtractorMOG2( history=500, varThreshold=16, detectShadows=True ) video_path = "car_test-master/video.mp4" cap = cv2.VideoCapture(video_path) while True: ret, frame = cap.read() if not ret: break # 应用背景减除，得到前景掩码 fg_mask = subtractor.apply(frame) cv2.imshow("foreground mask", fg_mask) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

这段代码的逻辑非常简单——对每一帧调用subtractor.apply()，返回一张单通道掩码图。掩码中白色像素代表该位置的前景，黑色代表背景。history参数控制背景模型参考多少帧历史画面，监控场景下，500 能兼顾背景更新速度和抗干扰能力；varThreshold是最常调的参数，调大了，阴影和细小晃动会被过滤，但车体颜色与路面相近时会把整辆车漏掉；调小了，检测更灵敏，但噪声和树叶晃动也都会被包进来。

2.2 前景掩码的形态学后处理：闭运算与膨胀的意图

直接apply()出来的掩码通常是一团带空洞的区域，原因是车玻璃反光、车窗透过后景、车身和路面颜色接近都会导致前景不连续。这时候要做形态学闭运算——先膨胀再腐蚀，目的是填补暗部和空洞，把同一辆车断裂的小块连成一个整体。

import cv2 import numpy as np # 构造核：尺寸越大，合并能力越强，但相邻车辆也越容易被粘连 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 闭运算：先膨胀后腐蚀，补内部小洞 fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_CLOSE, kernel, iterations=2) # 开运算：先腐蚀后膨胀，去掉零散细小的噪声点 fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel, iterations=1) # 可选：再做一次膨胀，让车辆轮廓更饱满，便于后续找外接矩形 fg_mask = cv2.dilate(fg_mask, kernel, iterations=2)

参数说明：kernel的大小决定了形态学操作的强度，5×5 对一般道路监控的车辆尺度合适；视频画面中车辆很小，比如 30 像素高度都不到，那核要缩小到 3×3，否则膨胀很容易把相邻车辆粘连在一起。iterations是执行次数，多一次迭代，效果相当于用了更大的核。实际拍摄中，这套系统里的流程基本就是「闭运算补洞 → 开运算去噪 → 膨胀合并」，顺序不能颠倒——先开后会连噪声一起放大，先闭后开能保证车体区域足够连续。

2.3 从掩码到车辆计数：连通域分析的核心代码

背景减除得到的前景只是像素级判断，要回答"有几辆车"，必须把白色像素聚合成独立的目标块。OpenCV 有两种常见做法：cv2.findContours找外轮廓，或者cv2.connectedComponentsWithStats做连通域标记。这套源码里分别对应vehicles.py里的检测逻辑和CAR2021917.py的统计逻辑，本质是一样的。

import cv2 import numpy as np def detect_vehicles(fg_mask, min_area=500): # 找轮廓 contours, hierarchy = cv2.findContours( fg_mask, mode=cv2.RETR_EXTERNAL, # 只取最外层轮廓，避免车体内部空洞产生多余框 method=cv2.CHAIN_APPROX_SIMPLE ) vehicles = [] for cnt in contours: area = cv2.contourArea(cnt) if area < min_area: continue # 面积太小，视为噪声，过滤掉 x, y, w, h = cv2.boundingRect(cnt) # 过滤细长物体：车的宽高比通常在 0.5 ~ 3.0 之间 aspect_ratio = w / h if aspect_ratio < 0.3 or aspect_ratio > 5.0: continue vehicles.append((x, y, w, h)) return vehicles cap = cv2.VideoCapture("car_test-master/video.mp4") subtractor = cv2.createBackgroundSubtractorMOG2(500, 16, True) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) while True: ret, frame = cap.read() if not ret: break fg_mask = subtractor.apply(frame) fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_CLOSE, kernel, iterations=2) fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel, iterations=1) fg_mask = cv2.dilate(fg_mask, kernel, iterations=2) boxes = detect_vehicles(fg_mask, min_area=500) for (x, y, w, h) in boxes: cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.imshow("vehicle detection", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

逻辑和参数说明：cv2.RETR_EXTERNAL保证一个车辆实体只产生一个外轮廓，避免车体上的车窗阴影被拆成多个目标；min_area是按像素面积做的噪声过滤，这依赖视频分辨率与摄像头距路面的高度——1080P 画面里一辆车的面积往往在一两千像素以上，500 的阈值是这套源码默认值；宽高比过滤则是利用车体形状的先验知识，路灯、电线杆这类细长前景会被扔掉。实际用的时候，findContours之前最好对掩码做一次高斯模糊，能有效减少轮廓毛刺。

3. 源码结构与关键模块解读：vehicles.py 和 main.py 各自做了什么

3.1 文件拆解：哪个文件是入口，哪个文件是核心库

拿到 zip 解压后，目录里同时存在vehicles.py、main.py、CAR2021917.py、README.md和car_test-master/这个测试视频目录。第一次打开容易犯迷糊：到底运行哪个文件？这里有个重要的判别方法——先看哪个文件里有if __name__ == "__main__"和视频文件路径硬编码。

常见结构是这样的：

一个容易忽略的坑是__pycache__文件夹里残留的vehicles.cpython-38.pyc——这暗示了原作者用的是 Python 3.8 编译运行。如果你本机是 Python 3.10 或 3.11，.pyc不会被执行，Python 会自动用.py源码重新生成字节码，所以不需要担心旧缓存文件报错。但如果你的 Python 版本太低（比如 3.6），部分 OpenCV 函数接口会有差异，建议尽量复现 3.8 的环境。

3.2 核心库 vehicles.py 的封装思路

vehicles.py一般不会写成一整坨循环，而是把可复用的步骤封成函数。这样的好处是：main.py只要能调用detect_vehicles()，不需要关心里面是背景减除还是形态学。以常见的课程设计风格为例，这个文件的骨架长这样：

import cv2 import numpy as np class VehicleDetector: def __init__(self, history=500, var_threshold=16, min_area=500): self.min_area = min_area self.subtractor = cv2.createBackgroundSubtractorMOG2( history=history, varThreshold=var_threshold, detectShadows=True ) self.kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) def preprocess(self, frame): fg_mask = self.subtractor.apply(frame) fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_CLOSE, self.kernel, iterations=2) fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, self.kernel, iterations=1) fg_mask = cv2.dilate(fg_mask, self.kernel, iterations=2) return fg_mask def detect(self, frame): fg_mask = self.preprocess(frame) contours, _ = cv2.findContours( fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) boxes = [] for cnt in contours: area = cv2.contourArea(cnt) if area < self.min_area: continue x, y, w, h = cv2.boundingRect(cnt) boxes.append((x, y, w, h)) return boxes

这个封装的逻辑与参数说明：history=500意味着背景模型是滑动窗口式的更新，前 500 帧都会被用于建立背景。若视频一开始就有车停在画面里，一定要留出足够长的纯道路段让模型学习背景，否则停着的车会被误判为前景。detectShadows=True开启后，阴影区域会被标记为灰色（灰度值 127），后续findContours默认会把它们当作前景，你可以加一步fg_mask[fg_mask == 127] = 0直接屏蔽阴影——这在小分辨率视频里往往比调varThreshold更有效。

3.3 main.py 的循环：计数逻辑不能只看单帧

真正的车流量统计不是"每帧画面上有几辆车"，而是"一段时间内总共过了多少辆车"。main.py里通常有一个count_vehicle()逻辑，常见做法是定义一个虚拟检测线，监测车辆矩形中心点是否越过该线。

import cv2 from vehicles import VehicleDetector video_path = "car_test-master/video.mp4" line_y = 240 # 虚拟检测线的Y坐标，具体值取决于画面中道路的位置 cap = cv2.VideoCapture(video_path) detector = VehicleDetector(history=500, var_threshold=16, min_area=500) total_count = 0 crossed_ids = set() frame_idx = 0 vehicle_id = 0 last_boxes = [] while True: ret, frame = cap.read() if not ret: break boxes = detector.detect(frame) # 简单跟踪：用上一帧位置和当前帧位置的IoU或距离来匹配 matched = set() current_boxes = [] for (x, y, w, h) in boxes: cx, cy = x + w // 2, y + h // 2 matched_id = None for idx, (lx, ly, lw, lh) in enumerate(last_boxes): lcx, lcy = lx + lw // 2, ly + lh // 2 # 质心距离小于阈值，认为是同一辆车 if abs(cx - lcx) < 50 and abs(cy - lcy) < 50: matched_id = idx break if matched_id is None: matched_id = vehicle_id vehicle_id += 1 matched.add(matched_id) # 检测是否越过线 if cy > line_y and matched_id not in crossed_ids: if (y + h // 2) < line_y: # 确保从上往下通过 pass crossed_ids.add(matched_id) total_count += 1 current_boxes.append((x, y, w, h)) last_boxes = current_boxes frame_idx += 1 cv2.line(frame, (0, line_y), (frame.shape[1], line_y), (0, 0, 255), 2) cv2.putText(frame, f"Count: {total_count}", (10, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow("traffic count", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

这套计数逻辑的说明：crossed_ids集合用来防止同一辆车在连续多帧中被重复计数，实际的判定条件是基于质心位置和虚拟检测线的交越方向。参数上，line_y要放在车辆刚进入画面、轮廓已经比较完整的位置，太靠近画面边缘会导致车辆只显示一半、质心不稳；质心匹配的距离阈值 50 是按 720P 视频设定的，车辆速度较快时这个数字要适当放大到 80～120，否则连续帧之间同一辆车会被判定成新目标。

4. 完整部署与复现过程：从环境配置到运行出结果

4.1 环境搭建：Python 3.8 + OpenCV 的兼容性说明

这是整个复现过程最容易翻车的一步。这套源码基于 Python 3.8 编写，OpenCV 的版本建议锁定在 4.5.x 到 4.8.x 之间。为什么不能太新？因为 OpenCV 4.5.1 之后，createBackgroundSubtractorMOG2的底层实现从 opencv-contrib 移动到了主仓库，API 名没变，但部分依赖需要额外安装opencv-contrib-python。

# 建议用 conda 创建独立环境，避免污染系统 Python conda create -n traffic python=3.8 conda activate traffic # 安装核心依赖 # opencv-contrib-python 比 opencv-python 包含更多扩展模块 pip install opencv-contrib-python==4.8.0.76 pip install numpy==1.24.3

参数说明：opencv-contrib-python包含了cv2.bgsegm、cv2.xfeatures2d等扩展模块，如果你运行源码时遇到ModuleNotFoundError: No module named 'cv2.bgsegm'，多半是因为只装了精简版的opencv-python。换成 contrib 版本后，还需要注意 numpy 的兼容性——OpenCV 4.8 要求 numpy >= 1.20，但 numpy 2.x 在部分 Windows 下会出现 DLL 加载失败的问题，所以这里锁成 1.24.3 是个保守选择。

4.2 运行系统：先跑测试视频，再切自己的视频

环境配置好后，不要上来就接摄像头。先跑一遍作者给的car_test-master里的测试视频，确认检测效果和计数逻辑，再换成自己的视频或摄像头。

# 直接运行主程序 python main.py # 如果 main.py 里硬编码了视频路径，想换成自己的视频： # 方法一：用 VLC 或剪映把视频转成 720P，分辨率过高会影响速度 # 方法二：直接修改 main.py 里 video_path 变量

常见做法是，把main.py里的video_path指向car_test-master目录里的视频文件，运行后看终端是否正常打印帧率。如果画面显示正常但车辆检测框不停闪烁，问题基本出现在形态学处理和最小面积阈值上，先检查foreground mask窗口里的白色噪点密度，就能判断是灰度高光干扰还是核尺寸不合适。

这里有一个细节值得反复强调：系统对视频帧率的感知是隐式的。背景减除的 history 是基于帧数计数的，不是时间。30FPS 的视频，500 帧对应约 16.7 秒的背景学习时间；如果换成 25FPS 的视频，同样 500 帧意味着 20 秒。想要达到和原视频相近的检测效果，需要按帧率比例调整 history 参数，否则在车流密集场景下，背景模型会被车流污染，导致漏检率上升。

4.3 换自己的视频时必须调整的参数清单

不同的摄像头架设角度、路面颜色、光照条件，都会直接影响检测效果。下面这张表是我在实际复现时总结出的参数调整顺序：

表格里的逻辑说明：调整参数的核心目标是让前景掩码中的"车"是一个紧凑连续的白色区域，同时让"非车"变成稀疏的细碎点。如果你看到掩码里车的轮廓像打碎的鸡蛋，说明history太大或varThreshold太小；如果你看到掩码里只有车头和车尾是白的、中间车身消失了，说明车辆颜色与路面太接近，可以考虑在预处理阶段先把 RGB 转到 HSV，然后对 S 通道单独做背景减除，能明显改善低对比度场景下的检测分割效果。

5. 避坑指南：车流量识别系统最常见的五个运行故障

5.1 现象：ModuleNotFoundError: No module named 'cv2'

原因：Python 环境不对，或者只安装了其他包。很多人直接在系统全局 Python 里pip install opencv-python，然后又在 conda 虚拟环境里运行源码，自然找不到模块。

解决：先确认当前解释器是哪个。

which python python -c "import cv2; print(cv2.__version__)"

如果输出4.8.0之类的版本号，说明环境正确。如果提示找不到模块，按上一章的方法用 conda 装一遍。千万不要在同一个 shell 里混用 pip 和 conda 装两个 Python 环境的包，这是最常见的翻车原因。

5.2 现象：AttributeError: module 'cv2' has no attribute 'bgsegm'

原因：安装了精简版opencv-python，缺少扩展模块；或者 OpenCV 版本过高，cv2.bgsegm在 4.x 版本被移除（实际是 4.5.1 后部分模块整合进主库）。

解决：卸载现有版本，改装 contrib 包。

pip uninstall opencv-python -y pip install opencv-contrib-python==4.8.0.76

改完后检查dir(cv2)里是否包含bgsegm。如果源码里用了cv2.bgsegm.createBackgroundSubtractorMOG()这种老接口，而你的 OpenCV 版本太新，可以直接替换成cv2.createBackgroundSubtractorMOG2()，两者在车流量场景下效果差异不大。

5.3 现象：画面卡顿，FPS 只有个位数

原因：视频分辨率太大，形态学操作的核尺寸和迭代多，轮廓计算开销高；也可能是cv2.imshow的 waitKey 时间设置不合理。

解决：优先做两步——把视频缩放一半，以及减小核尺寸。

frame = cv2.resize(frame, (frame.shape[1] // 2, frame.shape[0] // 2))

调整后，如果仍然卡顿，检查是否有代码在循环里重复读取大图导致内存持续增长。另外注意cv2.waitKey(1)里的参数是等待毫秒数，设置为 0 会一直阻塞到按键，画面会像 PPT 一样一帧一帧跳。

5.4 现象：车辆计数严重偏多，实际过 10 辆却显示 20

原因：最常见的是同一辆车在帧间被当成多个目标，或者虚拟检测线附近的重复计数。MOG2 对车辆移动速度较慢时，车辆前半部分被判为前景、后半部分还没从前一帧的前景中消退，轮廓在连续几帧里出现"分裂-合并"的情况。

解决：不要只依赖单帧检测，应该采用质心追踪 + 计数集合。第四章main.py已经给出了crossed_ids的写法，注意两点：一是质心匹配的距离阈值要大于车辆每帧的位移，否则跟丢；二是只有当车辆的中心点从上往下穿过检测线时才计数，下行的车辆不应该被计入上行流量。很多课程设计版本图省事，不管方向直接加一，就会翻倍。

5.5 现象：MemoryError或程序运行到一半卡死

原因：视频流读完后没有正确释放资源，或者subtractor的 history 设得太大、背景模型占用内存过多。尤其在使用摄像头时，打开摄像头失败还会导致cap.read()一直返回None，但循环还在继续。

解决：给read()加保护逻辑，同时注意释放。

while True: ret, frame = cap.read() if not ret: print("视频读取结束，退出循环") break # 处理帧 cap.release() cv2.destroyAllWindows()

如果视频读取正常的帧率是 30FPS，程序却在 200 帧必现卡死，优先怀疑内存泄漏，检查是否在循环体中反复创建np.array和cv2.Mat对象。OpenCV 的 Python 绑定虽然会自动管理内存，但背景减除对象的内部缓冲区不会自动清理，连续跑上十几分钟，内存占用会持续上涨。最有效的缓解办法是每处理一千帧后重建一次 subtractor 对象。

6. 进阶玩法：自定义检测区域、车速估算与模型替换

6.1 用掩码限定检测区域：解决路边行人误检

把line_y虚拟检测线升级成一个虚拟多边形检测区域，用cv2.fillPoly生成掩码，对fg_mask做按位与，只保留道路区域内的前景。这样路边的人行道、树木晃动完全不会进入检测流程。我的经验是，交通场景里误检往往不是车检错，而是检测区域没圈好。用一个多边形把车道框出来，误检率通常能下降一半以上。

import cv2 import numpy as np # 假设道路区域是一个四边形区域，点在画面的位置 road_mask = np.zeros((frame.shape[0], frame.shape[1]), dtype=np.uint8) points = np.array([[100, 200], [600, 200], [500, 500], [200, 500]]) cv2.fillPoly(road_mask, [points], 255) # 在使用背景减除得到 fg_mask 后，做 ROI 过滤： fg_mask_roi = cv2.bitwise_and(fg_mask, fg_mask, mask=road_mask)

逻辑说明：fillPoly生成的掩码以白色（255）代表有效区域，bitwise_and之后，ROI 外的所有前景像素都会被清成 0，后续的findContours直接不会在这些区域找到目标。注意points的坐标要按实际视频画面调整，标准做法是先暂停视频，截一帧图，用画图工具标出车道四点坐标再填进去。

6.2 车速估算：用帧差法粗略计算

有了连续帧的质心位移，结合视频帧率，就能估算车辆速度——单位是每帧位移的像素数。想换算成真实车速，需要知道车道长度对应的像素距离，一个实用技巧是用路面车道线作为标尺：标准车道线虚线长度为 6 米，间隔 9 米，取视频中连续两条白色虚线的像素距离作为 6 米的参考值。

fps = 30 # 视频帧率 pixels_per_meter = 20 # 通过标定得出的像素与米换算关系 # 车辆一帧移动 50 像素，则速度为： speed_pixel_per_frame = 50 speed_ms = (speed_pixel_per_frame / pixels_per_meter) * fps speed_kmh = speed_ms * 3.6 print(f"车速约 {speed_kmh:.1f} km/h")

这个估算法只能用于粗算，与真实的区间测速会存在明显偏差，原因是车辆透视关系造成远小近大，画面下缘像素对应的实际距离远大于上缘。想提高精度，可以把画面分成多个横向条带，分别标定每一条带的pixels_per_meter，再按车辆所在的条带取不同换算系数。

6.3 把背景减除换成 YOLOv8：保持计数逻辑不变

如果觉得传统方法不能满足需求，最稳妥的升级路径是只替换检测器，保留计数和跟踪框架。因为车辆的连通域分析逻辑和虚拟检测线计数逻辑是独立模块，把detect()函数的返回值从cv2.boundingRect的结果换成 YOLO 检测结果即可。

from ultralytics import YOLO model = YOLO("yolov8n.pt") def detect_with_yolo(frame): results = model(frame, verbose=False) boxes = [] for r in results: for box in r.boxes: cls_id = int(box.cls[0]) if cls_id in [2, 5, 7]: # car, bus, truck x1, y1, x2, y2 = map(int, box.xyxy[0]) boxes.append((x1, y1, x2 - x1, y2 - y1)) return boxes

逻辑说明：cls_id对应 COCO 数据集的类别编号——2 是小汽车（car），5 是公交车（bus），7 是卡车（truck）。如果你想把摩托车也算进车流量，把 3（motorcycle）也加进来。换成 YOLO 后，原本的形态学预处理和min_area过滤可以删掉，因为检测器已经做了目标框级别的输出。需要注意的是，YOLO 推理速度依赖 GPU，如果还在纯 CPU 环境，720P 视频的实时性大概率不及传统 MOG2 方案。

从那以后，我每次拿到这种课程设计源码，都会强制先跑一段它自带的测试视频，确认检测窗口里的掩码状态，再决定要不要调参数。检测效果不好，九成是varThreshold和核尺寸没匹配上，而不是算法本身有问题。这套源码的代码注释和模块划分足够清晰，照着README.md部署，一个小时以内就能看到车辆被绿框标出的画面。希望帮到你。

本文还有配套的精品资源，点击获取