这期内容当中小编将会给大家带来有关如何用python和OpenCV制作目标检测功能,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。
环境安装
conda create -n py3.6 python=3.6 //创建 conda activate py3.6 //激活
3.安装依赖numpy和imutils
//用镜像安装 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy pip install -i https://pypi.tuna.tsinghua.edu.cn/simple imutils
4.安装opencv
(1)首先下载opencv(网址:opencv),在这里我选择的是opencv_python‑4.1.2+contrib‑cp36‑cp36m‑win_amd64.whl 。
(2)下载好后,把它放到任意盘中(这里我放的是D盘),切换到安装目录,执行安装命令:pip install opencv_python‑4.1.2+contrib‑cp36‑cp36m‑win_amd64.whl
代码
首先打开一个空文件命名为real_time_object_detection.py,加入以下代码,导入你所需要的包。
# import the necessary packages from imutils.video import VideoStream from imutils.video import FPS import numpy as np import argparse import imutils import time import cv2
2.我们不需要图像参数,因为在这里我们处理的是视频流和视频——除了以下参数保持不变:
–prototxt:Caffe prototxt 文件路径。
–model:预训练模型的路径。
–confidence:过滤弱检测的最小概率阈值,默认值为 20%。
# construct the argument parse and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-p", "--prototxt", required=True, help="path to Caffe 'deploy' prototxt file") ap.add_argument("-m", "--model", required=True, help="path to Caffe pre-trained model") ap.add_argument("-c", "--confidence", type=float, default=0.2, help="minimum probability to filter weak detections") args = vars(ap.parse_args())
3.初始化类列表和颜色集,我们初始化 CLASS 标签,和相应的随机 COLORS。
# initialize the list of class labels MobileNet SSD was trained to # detect, then generate a set of bounding box colors for each class CLASSES = ["background", "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"] COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))
4.加载自己的模型,并设置自己的视频流。
# load our serialized model from disk print("[INFO] loading model...") net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"]) # initialize the video stream, allow the cammera sensor to warmup, # and initialize the FPS counter print("[INFO] starting video stream...") vs = VideoStream(src=0).start() time.sleep(2.0) fps = FPS().start()
首先我们加载自己的序列化模型,并且提供对自己的 prototxt文件 和模型文件的引用net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])
。
下一步,我们初始化视频流(来源可以是视频文件或摄像头)。首先,我们启动 VideoStreamvs = VideoStream(src=0).start()
,随后等待相机启动time.sleep(2.0)
,最后开始每秒帧数计算fps = FPS().start()
。VideoStream 和 FPS 类是 imutils 包的一部分。
5.遍历每一帧
# loop over the frames from the video stream while True: # grab the frame from the threaded video stream and resize it # to have a maximum width of 400 pixels frame = vs.read() frame = imutils.resize(frame, width=400) # grab the frame from the threaded video file stream (h, w) = frame.shape[:2] blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 0.007843, (300, 300), 127.5) # pass the blob through the network and obtain the detections and # predictions net.setInput(blob) detections = net.forward()
首先,从视频流中读取一帧frame = vs.read()
,随后调整它的大小imutils.resize(frame, width=400)
。由于我们随后会需要宽度和高度,接着进行抓取(h, w) = frame.shape[:2]
。最后将 frame 转换为一个有 dnn 模块的 blob,cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)),0.007843, (300, 300), 127.5)
。
现在,我们设置 blob 为神经网络的输入net.setInput(blob)
,通过 net 传递输入detections = net.forward()
。
6.这时,我们已经在输入帧中检测到了目标,现在看看置信度的值,来判断我们能否在目标周围绘制边界框和标签。
# loop over the detections for i in np.arange(0, detections.shape[2]): # extract the confidence (i.e., probability) associated with # the prediction confidence = detections[0, 0, i, 2] # filter out weak detections by ensuring the `confidence` is # greater than the minimum confidence if confidence > args["confidence"]: # extract the index of the class label from the # `detections`, then compute the (x, y)-coordinates of # the bounding box for the object idx = int(detections[0, 0, i, 1]) box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) (startX, startY, endX, endY) = box.astype("int") # draw the prediction on the frame label = "{}: {:.2f}%".format(CLASSES[idx], confidence * 100) cv2.rectangle(frame, (startX, startY), (endX, endY), COLORS[idx], 2) y = startY - 15 if startY - 15 > 15 else startY + 15 cv2.putText(frame, label, (startX, y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)
在 detections 内循环,一个图像中可以检测到多个目标。因此我们需要检查置信度。如果置信度足够高(高于阈值),那么将在终端展示预测,并以文本和彩色边界框的形式对图像作出预测。
在 detections 内循环,首先我们提取 confidence 值,confidence = detections[0, 0, i, 2]
。如果 confidence 高于最低阈值(if confidence > args["confidence"]:
),那么提取类标签索引(idx = int(detections[0, 0, i, 1])
),并计算检测到的目标的坐标(box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
)。然后,我们提取边界框的 (x, y) 坐标((startX, startY, endX, endY) = box.astype("int")
),将用于绘制矩形和文本。接着构建一个文本 label,包含 CLASS 名称和 confidence(label = "{}: {:.2f}%".format(CLASSES[idx],confidence * 100)
)。还要使用类颜色和之前提取的 (x, y) 坐标在物体周围绘制彩色矩形(cv2.rectangle(frame, (startX, startY), (endX, endY),COLORS[idx], 2)
)。如果我们希望标签出现在矩形上方,但是如果没有空间,我们将在矩形顶部稍下的位置展示标签(y = startY - 15 if startY - 15 > 15 else startY + 15
)。最后,我们使用刚才计算出的 y 值将彩色文本置于帧上(cv2.putText(frame, label, (startX, y),cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)
)。
7.帧捕捉循环剩余的步骤还包括:展示帧;检查 quit 键;更新 fps 计数器。
# show the output frame cv2.imshow("Frame", frame) key = cv2.waitKey(1) & 0xFF # if the `q` key was pressed, break from the loop if key == ord("q"): break # update the FPS counter fps.update()
上述代码块简单明了,首先我们展示帧(cv2.imshow("Frame", frame)
),然后找到特定按键(key = cv2.waitKey(1) & 0xFF
),同时检查「q」键(代表「quit」)是否按下。如果已经按下,则我们退出帧捕捉循环(if key == ord("q"):break
),最后更新 fps 计数器(fps.update()
)。
8.退出了循环(「q」键或视频流结束),我们还要处理以下。
# stop the timer and display FPS information fps.stop() print("[INFO] elapsed time: {:.2f}".format(fps.elapsed())) print("[INFO] approx. FPS: {:.2f}".format(fps.fps())) # do a bit of cleanup cv2.destroyAllWindows() vs.stop()
运行文件目录有以下文件:
到文件相应的目录下:cd D:\目标检测\object-detection
执行命令:python real_time_object_detection.py --prototxt MobileNetSSD_deploy.prototxt.txt --model MobileNetSSD_deploy.caffemodel
补充
项目github地址object_detection链接。
本项目要用到MobileNetSSD_deploy.prototxt.txt
和MobileNetSSD_deploy.caffemodel
,可以去github上下载项目运行。
上述就是小编为大家分享的如何用python和OpenCV制作目标检测功能了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注便宜云服务器行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。