使用OpenCV实现实时视频目标检测

前言

老板与时俱进,开始带领大家搞机器学习。nice,刚好小生就想往这方面发展。这不,老板派发下了任务:利用深度学习+python+opencv,实现实时视频目标检测。看教程,很简单的样子,那就搞一下。

环境准备

python

1、参考《Anaconda》,安装Anaconda。

Anaconda常用命令:

  • 查看环境,conda env list
  • 进入环境,activate my_env
  • 退出环境,deactivate
  • 查看python版本,python --version
  • 添加环境,conda create -n py3.6 python=3.6
  • 删除环境,conda env remove -n py3.6
  • 查看环境中的包,conda list
  • 更新当前环境下的所有包,conda upgrade --all
  • 安装包,conda install package_name

2、安装python3.6环境,以便使用对应版本的opencv。

1
2
3
conda create -n py3.6 python=3.6
activate py3.6
conda upgrade --all

PS:以下命令都是在python3.6环境中执行。

3、安装numpy、imutils

1
2
pip install numpy
pip install imutils

opencv

1、访问Python Extension Packages for Windows,下载python对应版本的opencv。

比如小编下载的是opencv_python-3.3.0+contrib-cp36-cp36m-win_amd64.whl,cp36表示Python是3.6版本,win_amd64是表示安装的python是64bit的,+contrib表示包括contrib包。

2、下载好后,把它放到C盘中,执行安装命令:
pip install C:\opencv_python-3.3.0+contrib-cp36-cp36m-win_amd64.whl

运行代码

修改

Adrian Rosebrock同学的原版代码适用于直接调用摄像头来获取视频流,尴尬的是,小生的电脑摄像头坏了,无法使用。于是,不得不修改代码,主要是把视频流的获取方式改为从本地获取。

1
2
3
# vs = VideoStream(src=0).start()
# vs =cv2.VideoCapture('C:\\Users\\voidking\\Desktop\\real-time-object-detection\\test_video.flv')
vs =cv2.VideoCapture('./test_video.flv')

1
2
3
4
5
6
7
8
9
10
11
12
# 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
(grabbed,frame) = vs.read()
# if the frame was not grabbed, then we have reached the end
# of the stream
if not grabbed:
break
frame = imutils.resize(frame, width=800)

运行

推荐使用命令:

1
python real_time_object_detection.py -p ./MobileNetSSD_deploy.prototxt.txt -m ./MobileNetSSD_deploy.caffemodel

或者,指定绝对路径,假设项目目录为C:\Users\voidking\Desktop\real-time-object-detection\,那么命令如下:

1
python real_time_object_detection.py -p "C:\Users\voidking\Desktop\real-time-object-detection\MobileNetSSD_deploy.prototxt.txt" -m "C:\Users\voidking\Desktop\real-time-object-detection\MobileNetSSD_deploy.caffemodel"

进阶修改

我们看到,prototxt和model都是指定的,那我们的视频文件也用这种方式指定,就更加友好一点。

1
2
3
4
5
6
7
8
9
# 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())

我们插入一行:

1
2
ap.add_argument("-v", "--video", required=True,
help="path to Caffe video file")

然后在初始化视频流时,修改为:

1
vs =cv2.VideoCapture(args["video"])

运行命令修改为:

1
python real_time_object_detection.py -p ./MobileNetSSD_deploy.prototxt.txt -m ./MobileNetSSD_deploy.caffemodel -v ./test_video.flv

运行效果

源码分享

https://github.com/voidking/object-detection.git

书签

《深度学习 + OpenCV,Python实现实时视频目标检测》

Real-time object detection with deep learning and OpenCV

Faster video file FPS with cv2.VideoCapture and OpenCV

用 Python 和 OpenCV 检测和跟踪运动对象

用树莓派 + Python + OpenCV 实现家庭监控和移动目标探测(下)

Python 3.x 安装opencv+opencv_contrib

0%