OpenCV+python實現實時目標檢測功能

環境安裝
 

1. 安裝Anaconda，官網鏈接Anaconda

2. 使用conda創建py3.6的虛擬環境，並激活使用

  conda create -n py3.6 python=3.6 //創建  	conda activate py3.6 //激活

3.安裝依賴numpy和imutils

  //用鏡像安裝  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple imutils

4.安裝opencv

（1）首先下載opencv(網址：opencv)，在這裡我選擇的是opencv_python‑4.1.2+contrib‑cp36‑cp36m‑win_amd64.whl 。
 （2）下載好後，把它放到任意盤中（這裡我放的是D盤），切換到安裝目錄，執行安裝命令：pip install opencv_python‑4.1.2+contrib‑cp36‑cp36m‑win_amd64.whl

代碼

首先打開一個空文件命名為real_time_object_detection.py，加入以下代碼，導入你所需要的包。

  # 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.我們不需要圖像參數，因為在這裡我們處理的是視頻流和視頻――除了以下參數保持不變：
 �Cprototxt：Caffe prototxt 文件路徑。
 �Cmodel：預訓練模型的路徑。
 �Cconfidence：過濾弱檢測的最小概率閾值，默認值為 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.初始化類列表和顏色集，我們初始化 CLASS 標籤，和相應的隨機 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.加載自己的模型，並設置自己的視頻流。

  # 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()

首先我們加載自己的序列化模型，並且提供對自己的 prototxt文件 和模型文件的引用
 net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])。
 下一步，我們初始化視頻流（來源可以是視頻文件或攝像頭）。首先，我們啟動 VideoStreamvs = VideoStream(src=0).start()，隨後等待相機啟動time.sleep(2.0)，最後開始每秒幀數計算fps = FPS().start()。VideoStream 和 FPS 類是 imutils 包的一部分。

5.遍歷每一幀

  # 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，從視頻流中讀取一幀frame = vs.read()，隨後調整它的大小imutils.resize(frame, width=400)。由於我們隨後會需要寬度和高度，接著進行抓取(h, w) = frame.shape[:2]。最後將 frame 轉換為一個有 dnn 模塊的 blob，cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)),0.007843, (300, 300), 127.5)。
 現在，我們設置 blob 為神經網絡的輸入net.setInput(blob)，通過 net 傳遞輸入detections = net.forward()。

6.這時，我們已經在輸入幀中檢測到了目標，現在看看置信度的值，來判斷我們能否在目標周圍繪製邊界框和標籤。

  # 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 內循環，一個圖像中可以檢測到多個目標。因此我們需要檢查置信度。如果置信度足夠高（高於閾值），那麼將在終端展示預測，並以文本和彩色邊界框的形式對圖像作出預測。
 在 detections 內循環，首先我們提取 confidence 值，confidence = detections[0, 0, i, 2]。如果 confidence 高於最低閾值（if confidence > args["confidence"]:），那麼提取類標籤索引（idx = int(detections[0, 0, i, 1])），並計算檢測到的目標的座標（box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])）。然後，我們提取邊界框的 (x, y) 座標（(startX, startY, endX, endY) = box.astype("int")），將用於繪製矩形和文本。接著構建一個文本 label，包含 CLASS 名稱和 confidence（label = "{}: {:.2f}%".format(CLASSES[idx],confidence * 100)）。還要使用類顏色和之前提取的 (x, y) 座標在物體周圍繪製彩色矩形（cv2.rectangle(frame, (startX, startY), (endX, endY),COLORS[idx], 2)）。如果我們希望標籤出現在矩形上方，但是如果沒有空間，我們將在矩形頂部稍下的位置展示標籤（y = startY - 15 if startY - 15 > 15 else startY + 15）。最後，我們使用剛才計算出的 y 值將彩色文本置於幀上（cv2.putText(frame, label, (startX, y),cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)）。

7.幀捕捉循環剩餘的步驟還包括：展示幀；檢查 quit 鍵；更新 fps 計數器。

  	# 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()

上述代碼塊簡單明瞭，首先我們展示幀（cv2.imshow("Frame", frame)），然後找到特定按鍵（key = cv2.waitKey(1) & 0xFF），同時檢查「q」鍵（代表「quit」）是否按下。如果已經按下，則我們退出幀捕捉循環（if key == ord("q"):break），最後更新 fps 計數器（fps.update()）。

8.退出了循環（「q」鍵或視頻流結束），我們還要處理以下。

  # 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()

運行文件目錄有以下文件：

到文件相應的目錄下：cd D:目標檢測object-detection執行命令：python real_time_object_detection.py --prototxt MobileNetSSD_deploy.prototxt.txt --model MobileNetSSD_deploy.caffemodel

演示

這裡我把演示視頻上傳到了B站，地址鏈接目標檢測

補充

項目github地址object_detection鏈接。
 本項目要用到MobileNetSSD_deploy.prototxt.txt和MobileNetSSD_deploy.caffemodel，可以去github上下載項目運行。