OpenCV目标识别的具体实现（附带实例）

在图像中找出检测对象的位置和大小是目标检测（object detection）的任务，是计算机视觉领域的核心问题之一，在自动驾驶、机器人和无人机等许多领域极具研究价值。

深度学习是指在多层神经网络上运用各种机器学习算法解决图像、文本等各种问题的算法集合。因此，基于深度学习的目标检测算法又被称为目标检测网络。

本文使用一种名为 MobileNet-SSD 的目标检测网络对图像进行目标检测。MobileNet-SSD 能够在图像中检测出飞机、自行车、船、瓶子、公交车、摩托车、火车、汽车、鸟、猫、狗、马、人、羊、奶牛、餐桌、椅子、沙发、盆栽、电视共 20 种物体和 1 种背景，平均准确率能达到 72.7%。

由于训练神经网络需要大量的数据和强大的运算力，在这里将使用一个已经训练好的目标检测网络模型。在 Python 中，可以通过 OpenCV 的 dnn 模块使用训练好的模型对图像进行目标检测，其步骤为：

加载 MobileNet-SSD 目标检测网络模型；
读入待检测图像，并将其转换为 blob 数据包；
将 blob 数据包传入目标检测网络，并进行前向传播；
根据返回结果标注图像中被检测出的对象。

下面代码实现目标检测：

# 导入cv2和numpy模块
import cv2
import numpy

# 指定图像和模型文件路径
image_path = 'target.jpg'
prototxt = './model/MobileNetSSD_deploy.prototxt'
model = './model/MobileNetSSD_deploy.caffemodel'

# 创建物体分类标签、颜色和字体等变量
CLASSES = ('background', 'aeroplane', 'bicycle', 'bird', 'boat',
           'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable',
           'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep',
           'sofa', 'train', 'tvmonitor')
COLORS = numpy.random.uniform(0, 255, size=(len(CLASSES), 3))
FONT = cv2.FONT_HERSHEY_SIMPLEX

# 使用dnn模块从文件中加载神经网络模型
net = cv2.dnn.readNetFromCaffe(prototxt, model)

# 从文件中加载待检测的图像，用来构造一个blob数据包
image = cv2.imread(image_path)
(h, w) = image.shape[:2]
input_img = cv2.resize(image, (300, 300))
# 返回一个blob数据包，它是经过减去均值、归一化和通道交换后的输入图像
blob = cv2.dnn.blobFromImage(input_img, 0.007843, (300, 300), 127.5)

# 将blob数据包传入MobileNet-SSD目标检测网络，进行前向传播，并返回结果
net.setInput(blob)
detections = net.forward()

# 用循环结构读取检测结果中的检测区域，并标注矩形框、分类名称和可信度
for i in numpy.arange(0, detections.shape[2]):
    idx = int(detections[0, 0, i, 1])
    confidence = detections[0, 0, i, 2]
    if confidence > 0.2:
        # 标注矩形框
        box = detections[0, 0, i, 3:7] * numpy.array([w, h, w, h])
        (x1, y1, x2, y2) = box.astype('int')
        cv2.rectangle(image, (x1, y1), (x2, y2), COLORS[idx], 2)
        # 标注可信度
        label = '[INFO]{}:{:.2f}%'.format(CLASSES[idx], confidence * 100)
        print(label)
        cv2.putText(image, label, (x1, y1), FONT, 1, COLORS[idx], 1)

# 将检测结果图像显示在窗口中
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行程序，对图像进行检测的结果如下图所示：

图 1 目标检测效果

OpenCV目标识别的具体实现（附带实例）

相关文章