先在visual studio 2015新建一个工程并配置好环境。

OpenCV调用tensorflow的pb模型，不仅需要一个.pb文件，还需要一个.pbtxt文件。

一些预训练好的pb模型的下载地址，在opencv_extra里有一些生成好的pbtxt文件。注意pb文件和pbtxt文件要对应，否则后面调用会出错。

如果没有pb文件对应的pbtxt文件，则在opencv里提供了tf_text_graph_faster_rcnn.py，tf_text_graph_mask_rcnn.py，tf_text_graph_ssd.py三个脚本来生成对应网络结构的pbtxt文件。用这个脚本生成pbtxt文件不仅要输入pb文件，还需要输入.config文件，这里有一些config文件。

使用方式如下：

python tf_text_graph_ssd.py \

--input /path/to/xxx.pb \

--config /path/to/xxx.config \

--output /path/to/xxx.pbtxt

准备就绪之后，可以开始写OpenCV的代码了。这里有几个关键点。

OpenCV的dnn模块提供了readNetFromTensorflow来读取tensorflow的pb模型，当然还有readNetFromDarknet，readNetFromCaffe，readNetFromTorch等等。这里就只关注tensorflow了。

dnn::Net net = dnn::readNetFromTensorflow(pbFile, pbTxt);

vectorouts;

vectoroutNames = net.getUnconnectedOutLayersNames();

Mat inputBlob = dnn::blobFromImage(cropImg, 1.0, Size(cropWidth, cropHeight), Scalar(), false, false);

net.setInput(inputBlob);

net.forward(outs, outNames);

其中， pbFile就是pb模型的路径，pbTxt就是pbtxt文件的路径。dnn::blobFromImage的1.0 / 255将数据归一化到0~1。

forward输出的outs是一个1 x 1 x N x 7的矩阵，N是预测结果的数量，可能很多，还需要进行后处理。

float* data = (float*)outs[0].data;

for (int i = 0; i < outs[0].total(); i += 7)

{

float confidence = data[i + 2];

if (confidence > confidenceTH)

{

int left = (int)(data[i + 3] * img.cols);

int top = (int)(data[i + 4] * img.rows);

int right = (int)(data[i + 5] * img.cols);

int bottom = (int)(data[i + 6] * img.rows);

int width = right - left + 1;

int height = bottom - top + 1;

classIds.push_back((int)(data[i + 1])-1);

boxes.push_back(Rect(left, top, width, height));

confidences.push_back(confidence);

}

}

因为是要进行目标检测，所以这里将结果转换成了boundingbox的形式，并且将confidence低于阈值的去掉。

接下来进行非极大值抑制，将重合度高的boundingbox去掉。

vectorindices;

dnn::NMSBoxes(boxes, confidences, confidenceTH, nmsTH, indices);

预测已经完成，将结果画出来。

rectangle(img, Point(left, top), Point(right, bottom), Scalar(0, 255, 0));

下载的很多模型效果都不是很好，精度很低。用脚本生成的pbtxt有时候不能使用。

最后成功的是在ssd_mobilenet_v1_coco_11_06_2017下载的，pbtxt文件用的是现成的ssd_mobilenet_v1_coco.pbtxt。有空了再试试其他的模型。