Распознавание с камеры OpenCV в реальном времени.

Распознавание образов с камеры с использованием библиотеки OpenCV 3 в реальном времени.
В качестве платформы используется Raspberry Pi, и прекомпилированная база? Caffe


Загружаем необходимые библиотеки:

1
2
3
4
5
6
7
import numpy as np
import argparse
import cv2
from imutils.video import VideoStream
from imutils.video import FPS
import time
import imutils

Numpy — библиотека для работы с массивами
Argparse — библиотка для работы с аргументами командной строки
Cv2 — библиотека OpenCV 3
Imutils — библиотека для работы с изображениями

Добавляем обработку аргументов командной строки:

1
2
3
4
5
6
7
8
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())

Инициализируем список меток класса MobileNet SSD который был обучен заранее, а затем создадим набор цветов рамки для каждого класса.

1
2
3
4
5
CLASSES = ["background", "aeroplane", "bicycle", "bird", "boat",
    "bottle", "bus", "car", "cat", "chair", "cow", "diningtable",
    "dog", "horse", "motorbike", "person", "pottedplant", "sheep",
    "sofa", "train", "tvmonitor"]
COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))

Загружаем подготовленную модель

1
2
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])

Запускаем считываение с камеры

1
2
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()

В цикле перебираем все фреймы и распознаем:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
while True:
    try:
        frame = vs.read()
        image = imutils.resize(frame, width=400)
        (h, w) = image.shape[:2]
    except:
       vs.stop()
       time.sleep(2.0)
       print("[INFO] starting video stream...")
       vs = VideoStream(src=0).start()
       fps = FPS().start()
       continue
    #Преобразуем полученое изображение в blob и передаем в нейронную сеть
    blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 0.007843, (300, 300), 127.5)
    print("[INFO] computing object detections...")
    net.setInput(blob)
    detections = net.forward()
    # В результате работы сети получаем обнаруженные элементы и выполняем их перебор
    for i in np.arange(0, detections.shape[2]):
    #Извлекаем вероятности совпадения.
         confidence = detections[0, 0, i, 2]
         # Убираем ложные вероятности (те которые достаточно малы)
         if confidence > args["confidence"]:
         #Извлекаем индекс метки класса из `detections`,
         #И вычисляем координаты ограничивающего прямоугольника.
         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")
         #Отображаем предположения
         label = "{}: {:.2f}%".format(CLASSES[idx], confidence * 100)
         print("[INFO] {}".format(label))
         cv2.rectangle(image, (startX, startY), (endX, endY),
              COLORS[idx], 2)
         y = startY - 15 if startY - 15 > 15 else startY + 15
         cv2.putText(image, label, (startX, y),
              cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)
         #Выводим фрейм на экран!
         cv2.imshow('Output', image)
         key = cv2.waitKey(5) & 0xFF
         # Ждем нажатие клавиши q и завершаем цикл.
         if key == ord("q"):
             break
         fps.update()
# do a bit of cleanup
print("[INFO] cleaning up...")
cv2.destroyAllWindows()
vs.stop()

 

Добавить комментарий

Войти с помощью: 

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.