程 | 深度学习 + OpenCV,Python 实现实时视频目标检测 机器之心 09-21
教程 | 深度学习 + OpenCV,Python 实现实时视频目标检测
选自 PyimageSearch
机器之心编译
参与:路雪、李泽南
使用 OpenCV 和 Python 对实时视频流进行深度学习目标检测是非常简单的,我们只需要组合一些合适的代码,接入实时视频,随后加入原有的目标检测功能。
在本文中我们将学习如何扩展原有的目标检测项目,使用深度学习和 OpenCV 将应用范围扩展到实时视频流和视频文件中。这个任务会通过 VideoStream 类来完成。
深度学习目标检测教程:http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/
VideoStream 类教程:http://www.pyimagesearch.com/2016/01/04/unifying-picamera-and-cv2-videocapture-into-a-single-class-with-opencv/
现在,我们将开始把深度学习 + 目标检测的代码应用于视频流中,同时测量 FPS 处理速度。
使用深度学习和 OpenCV 进行视频目标检测
为了构建基于 OpenCV 深度学习的实时目标检测器,我们需要有效地接入摄像头 / 视频流,并将目标检测应用到每一帧里。
首先,我们打开一个新文件,将其命名为 real_time_object_detection.py,随后加入以下代码:
我们从第 2-8 行开始导入封包。在此之前,你需要 imutils 和 OpenCV 3.3。在系统设置上,你只需要以默认设置安装 OpenCV 即可(同时确保你遵循了所有 Python 虚拟环境命令)。
Note:请确保自己下载和安装的是 OpenCV 3.3(或更新版本)和 OpenCV-contrib 版本(适用于 OpenCV 3.3),以保证其中包含有深度神经网络模块。
下面,我们将解析这些命令行参数:
与此前的目标检测项目相比,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%。
随后,我们初始化类列表和颜色集:
在第 22-26 行,我们初始化 CLASS 标签,和相应的随机 COLORS。有关这些类的详细信息(以及网络的训练方式),请参考:http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/
现在,我们加载自己的模型,并设置自己的视频流:
我们加载自己的序列化模型,提供对自己的 prototxt 和模型文件的引用(第 30 行),可以看到在 OpenCV 3.3 中,这非常简单。
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 VideoStream(第 35 行),随后等待相机启动(第 36 行),最后开始每秒帧数计算(第 37 行)。VideoStream 和 FPS 类是 imutils 包的一部分。
现在,让我们遍历每一帧(如果你对速度要求很高,也可以跳过一些帧):
首先,我们从视频流中读取一帧(第 43 行),随后调整它的大小(第 44 行)。由于我们随后会需要宽度和高度,所以我们在第 47 行上进行抓取。随后将 frame 转换为一个有 dnn 模块的 blob(第 48 行)。
现在,我们设置 blob 为神经网络的输入(第 52 行),通过 net 传递输入(第 53 行),这给我们提供了 detections。
这时,我们已经在输入帧中检测到了目标,现在是时候看看置信度的值,以判断我们能否在目标周围绘制边界框和标签了:
我们首先在 detections 内循环,记住一个图像中可以检测到多个目标。我们还需要检查每次检测的置信度(即概率)。如果置信度足够高(高于阈值),那么我们将在终端展示预测,并以文本和彩色边界框的形式对图像作出预测。让我们逐行来看一下:
在 detections 内循环,首先我们提取 confidence 值(第 59 行)。
如果 confidence 高于最低阈值(第 63 行),那么我们提取类标签索引(第 67 行),并计算检测到的目标的坐标(第 68 行)。
然后,我们提取边界框的 ( x, y ) 坐标(第 69 行),之后将用于绘制矩形和文本。
我们构建一个文本 label,包含 CLASS 名称和 confidence(第 72、73 行)。
我们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(第 74、75 行)。
通常,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(第 76 行)。
最后,我们使用刚才计算出的 y 值将彩色文本置于帧上(第 77、78 行)。
帧捕捉循环剩余的步骤还包括:(1)展示帧;(2)检查 quit 键;(3)更新 fps 计数器:
上述代码块简单明了,首先我们展示帧(第 81 行),然后找到特定按键(第 82 行),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(第 85、86 行)。最后更新 fps 计数器(第 89 行)。
如果我们退出了循环(「q」键或视频流结束),我们还要处理这些:
当我们跳出(exit)循环,fps 计数器 停止(第 92 行 ) ,每秒帧数的信息向终端输出(第 93、94 行 ) 。
我们关闭窗口(第 97 行),然后停止视频流(第 98 行)。
如果你到了这一步,那就可以做好准备用自己的网络摄像头试试看它是如何工作的了。我们来看下一部分。
实时深度学习目标检测的结果
为了实时深度学习目标检测器正常运行,确保你使用本指南「Downloads」部分中的示例代码和预训练的卷积神经网络。(请打开原文链接,进入「Downloads」部分,输入自己的邮箱地址,获取所需代码和其他资料。)
打开终端,执行下列命令:
如果 OpenCV 能够访问你的摄像头,你可以看到带有检测到的目标的输出视频帧。我对样本视频使用了深度学习目标检测,结果如下:
图 1:使用深度学习和 OpenCV + Python 进行实时目标检测的短片。
注意深度学习目标检测器不仅能够检测到人,还能检测到人坐着的沙发和旁边的椅子——所有都是实时检测到的!
总结
今天的博客中,我们学习了如何使用深度学习 + OpenCV + 视频流来执行实时目标检测。我们通过下列两个教程完成了这一目标:
1. 使用深度学习和 OpenCV 进行目标检测(http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/)
2. 在 OpenCV 上进行高效、线程化的视频流(http://www.pyimagesearch.com/2016/01/04/unifying-picamera-and-cv2-videocapture-into-a-single-class-with-opencv/)
最终结果是基于深度学习的目标检测器可以处理 6-8 个 FPS 的视频(当然,这也取决于你的系统速度)。
你还可以通过以下途径进一步提升速度:
1. 跳过帧。
2. 使用 MobileNet 的不同变体(速度更快,但是准确率下降)。
3. 使用 SqueezeNet 的量子化变体(我还未对此进行测试,但是我想应该会更快,因为它的网络足迹更小)。
原文链接:http://www.pyimagesearch.com/2017/09/18/real-time-object-detection-with-deep-learning-and-opencv/
程 | 深度学习 + OpenCV,Python 实现实时视频目标检测 机器之心 09-21相关推荐
- 深度学习 + OpenCV,Python实现实时视频目标检测
选自PyimageSearch 机器之心编译 参与:路雪.李泽南 使用 OpenCV 和 Python 对实时视频流进行深度学习目标检测是非常简单的,我们只需要组合一些合适的代码,接入实时视频,随后加 ...
- DL之Yolov3:基于深度学习Yolov3算法实现视频目标检测之对《我要打篮球》视频段进行实时目标检测
DL之Yolov3:基于深度学习Yolov3算法实现视频目标检测之对<我要打篮球>视频段进行实时目标检测 目录 输出结果 设计思路 核心代码 相关文章 成功解决AttributeError ...
- DL之Yolov3:基于深度学习Yolov3算法实现视频目标检测之对《俄罗斯总统普京对沙特王储摊的“友好摊手”瞬间—东道主俄罗斯5-0完胜沙特》视频段实时检测
DL之Yolov3:基于深度学习Yolov3算法实现视频目标检测之对<俄罗斯总统普京对沙特王储摊的"友好摊手"瞬间-东道主俄罗斯5-0完胜沙特>视频段实时检测 导读 ...
- 深度学习笔记(34) 目标检测
深度学习笔记(34) 目标检测 1. 目标检测算法 2. 图像滑动窗口操作 3. 滑动窗口目标检测算法缺点 1. 目标检测算法 了解对象定位和特征点检测,现在来构建一个目标检测算法 通过卷积网络进行对 ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的无人机航拍图像目标检测算法研究与应用
目录 基于深度学习的无人机航拍图像目标检测算法研究与应用 基于深度学习的目标检测相关知识理论
- 基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状
参考 基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状 - 云+社区 - 腾讯云 目录 一.概述 二.通用目标检测方法 1.类不平衡问题 2.复杂背景 3.目标的尺度变化 4.特殊视角 5 ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的光学遥感图像目标检测及价值评估
目录 基于深度学习的光学遥感图像目标检测方法研究 传统的目标检测方法
- 深度学习遥感图像语义分割目标检测
深度学习遥感图像语义分割&目标检测 代码见github: WangZhenqing-RS/2021Tianchi_RSgithub.com 图标 赛题描述 本赛题基于不同地形地貌的高分辨率遥感 ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用
目录 基于迁移学习的水下图像增强与目标检测研究 基础知识 2.1 迁移学习
- 使用深度学习OpenCV python进行字符识别
An eazy code from eazy ciphers 易密码的易密码 Hii!! welcome you all to our first medium story-. Well when I ...
最新文章
- SpringMVC基础及应用-李守红
- 物联网趋势下的边缘计算发展解析
- java build path entries 为空_TOOLFK工具-在线JAVA代码执行工具
- word自带公式编辑_怎样在word2013中快速插入数学公式
- 用Python求出:1到某个数的奇数序列里一共出现了多少个3
- 【哲学】不可知论是什么?agnosticism
- 高薪寻人 | 2018 “神策杯”高校算法大师赛 6 强诞生,【招人】进行时……
- windows7下安装centos7双系统(未验证)
- sprintf': This function or variable may be unsafe
- ubuntu18 安装caj阅读器 wine
- 认识PaaS、SaaS、LaaS、aPaaS(一堆废话,谨慎进入)
- [HEVC] HEVC学习(五) —— 帧内预测系列之三
- 哈希表的查找比红黑树更快吗?
- 【Excel 2013 数据透视表 学习】一、创建数据透视表
- Linux curses库使用
- WiFi基本概念(十三)射频(一)(EVM)
- Hyperledger Fabric的网络拓扑图与交易流程
- 牛顿下山法C++实现
- 技术改变生活——用HanLP来协助处理现实中问题
- matlab注册表版本号,通过注册表发现Windows版本信息
热门文章
- matlab 最小二乘解超定方程,matlab 超定方程 最小二乘解
- (NCRE网络技术)IP地址规划设计技术-知识点
- Windows无法安装到这个磁盘,选中的磁盘具有MBR分区表。在EFI系统上,Windows只能安装GPT磁盘。
- 高一计算机算法教案,高中信息技术 算法及其实现 教案
- 高中计算机学业水平考试教程,高中学业水平考试信息技术操作题步骤
- 计算机主机拆解图,电脑的主机结构是怎样的 电脑主机结构图【图文】
- Android下载自带开源图标库教程
- 如何保护自己的机器不受“网络执法官”盗用IP地址及密码
- Parallels Toolbox for mac(万能工具箱)中文版
- Aircrack 破解无线网密码 (跑字典法)