(二)opencv 之图片目标检测

Python publisher01 21℃ 0评论

这次,要进行的是对图片中的目标进行检测标注。
利用opencv中自带的神经网络结构导入数据进行训练,然后加载自己图片进行目标检测。
文章最下发是本次工程中涉及用于网络训练的数据和模型,,以及源代码。

numpy第三方库。

这个工程用到了numpy第三方库,安装numpy方法就是,在命令提示符中键入pip intall numpy.

Microsoft Windows [版本 10.0.14393]
(c) 2016 Microsoft Corporation。保留所有权利。
C:\Users\Administrator>pip install numpy

等待安装完成即可。

开始写程序

1)引入需要用到的库

该工程用到了一个内部库和两个第三方库,如下:

import numpy as np
import argparse
import cv2

2)程序正文

程序一开始使用了python的解析器

ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image",default="这个键入图片文件路径",
    help="path to input image")
ap.add_argument("-p", "--prototxt",default="这个键入deploy' prototxt文件路径",
    help="path to Caffe 'deploy' prototxt file")
ap.add_argument("-m", "--model",default="这个键入Caffe pre-trained model文件路径",
    help="path to Caffe pre-trained model")
ap.add_argument("-c", "--confidence", type=float, default=0.1,
    help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

大致意思就是程序用到 args [“image”],就表示的是image图片文件路径。
用到args [“confidence”],就表示的是 浮点型数据 0.1

之后就是写入标签类别和颜色(随机生成)
特别注意的是,CLASSES中的数据不能更换位置,因为后面网路输出的标签和CLASSES中的数据是一一对其的。

CLASSES = ["background", "aeroplane", "bicycle", "bird", "boat",
    "bottle", "bus", "car", "cat", "chair", "cow", "diningtable",
    "dog", "horse", "motorbike", "person", "pottedplant", "sheep",
    "sofa", "train", "tvmonitor"]
#方框颜色为随机生成
COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))

载入训练模型,训练Caffe网络。并且把图片输入网络获取输出。

net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])
image = cv2.imread(args['image'])
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 0.007843, (300, 300), 127.5)
print("[INFO] computing object detections...")
net.setInput(blob)
detections = net.forward()

cv2.dnn.readNetFromCaffe()函数是opencv3.3版本之后自带的几个神经网络构架之一。
载入图片,并利用 cv2.dnn.blobFromImage()将图片将换成blob 类型的数据。
然后输入训练好的神经网络,输入数据存储到detections 变量中。

这里详细讲解一下 detections 中到底装了什么东西。


detections .png

如图片所示,有几个可疑目标,detections 中的第三个list就存储了多少个list。最后的每个list中存储的数据,从第二位起分别是 可疑目标的标签,可疑目标的置信度,最后4个是可疑目标在图片中的位置信息。
所以
idx = int(detections[0, 0, 1, 1]) 提取第二个可疑目标的标签
confidence = detections[0, 0, 1, 2] 提取第二个可疑目标的置信度
box = detections[0, 0, 1, 3:7]提取第二个可疑目标的位置信息

下面就是循环检索可疑目标的置信度,当置信度大于设定的阈值 args[“confidence”]=0.1时,将可疑目标进行框注
框函数,cv2.rectangle
注函数,cv2.putText

for i in np.arange(0, detections.shape[2]):
    confidence = detections[0, 0, i, 2]    
    if confidence > args["confidence"]:
        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")  #进行数据变换 int型
        label = "{}: {:.2f}%".format(CLASSES[idx], confidence * 100)
        cv2.rectangle(image, (startX, startY), (endX, endY),
            COLORS[idx], 2)  
              #在什么上面画一个,起始点是多少,终点是多少的,颜色是什么的,线条粗细的,矩形
        y = startY - 15 if startY - 15 > 15 else startY + 15
        #if startY - 15 > 15 :
        #    y = startY - 15
        #else:
        #    y = startY + 15
        cv2.putText(image, label, (startX, y),
            cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)
         #  在图片'image'上放置一个 “label”的文字内容,‘(startX, y)’为起始位置,字体为   
         #FONT_HERSHEY_SIMPLEX,尺度为 0.5,颜色为‘idx’,磅数为2 的字符串
cv2.imshow("Output", image) #输出图片名字是output的图片
cv2.waitKey(0)  

结果

可疑目标 car: 88.01%
可疑目标 person: 99.24%
可疑目标 person: 97.73%
可疑目标 person: 91.63%
可疑目标 person: 72.68%


image.png

最后

百度云链接中有网络训练的数据和模型,,以及源代码!!

百度云链接:https://pan.baidu.com/s/1ua9WSJgXdmmcLloW0saoQg
提取码:yhib

你或许想:《去原作者写文章的地方

转载请注明:Python量化投资 » (二)opencv 之图片目标检测

喜欢 (0)or分享 (0)
发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址