1. 前言

老板与时俱进，开始带领大家搞机器学习。
新任务：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，搞一下。

参考文档：

2. 环境准备

2.1. 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

2.2. opencv

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

比如郝同学下载的是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

3. 运行代码

3.1. 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')

# 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)

3.2. 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：

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"

3.3. 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。

# 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

4. 运行效果

5. 源码分享

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

一个计算机技术爱好者与学习者

使用OpenCV实现实时视频目标检测