首页 > Web开发 > 详细

机器学习进阶-目标追踪-SSD多进程执行 1.cv2.dnn.readnetFromCaffe(用于读取已经训练好的caffe模型) 2.delib.correlation_tracker(生成追踪器) 5.cv2.writer(将图片写入视频中) 6.cv2.dnn.blobFromImage(图片归一化) 10.multiprocessing.process(生成进程)

时间:2019-03-01 13:47:49      阅读:7255      评论:0      收藏:0      [点我收藏+]

1. cv2.dnn.readNetFromCaffe(prototxt, model)  用于进行SSD网络的caffe框架的加载

参数说明:prototxt表示caffe网络的结构文本,model表示已经训练好的参数结果

2.t=delib.correlation_tracker() 使用delib生成单目标的追踪器

3.delib.rectangle(int(box[0]), int(box[1]), int(box[2]), int(box[3])) 用于生成追踪器所需要的矩形框[(startX, startY), (endX, endY)]

4.t.start_track(rgb, rect) # 初始化生成器的开始状态

5.cv2.Writer(name, fourcc, (frame.shape[1], frame.shape[0]), True)进行图片写入到视频里面

参数说明: name表示视频的名字,fourcc表示视频格式,frame.shape[1] 表示视频的长和宽, 

6.cv2.dnn.blobFromImage(frame, 0.007843, (w, h), 127.5)  对图像进行归一化操作(-1, 1),

参数说明:frame表示输入图片,0.007843表示需要乘的数,即1/127.5,(w, h)表示图像大小,127.5表示需要减去的数

7. net.SetInput(rgb) 表示将图片输入到caffe网络中

参数说明: rgb表示已经经过归一化的图片

8. net.forward() 输出前向传播的预测结果

9. oq = multiprocessing.Queue() 生成用于多进行传输过程中的线程

10.p = multiprocessing.Process(target=start_track, args=(bb, label, rgb, iq, oq))  # 用于对函数创建进程

参数说明:target表示需要转换为进程的函数,args表示传入到进程里函数的参数

 

 

 

 

SSD是一种目标检测的算法,其使用多个卷积层进行预测,原理在后续的博客中进行补充

对于目标追踪的视频,我们先使用SSD找出图片中人物的位置,然后使用dlib中的跟踪器对物体进行跟踪

由于每一个人物框对应一个跟踪器,因此我们可以对每一个跟踪器起一个进程,使用输入和输出线程,用于构造多进程

使用的数据,需要一个训练好的SSD权重参数,还需要caffe关于SSD的prototxt文件
代码说明:

下面的代码可以近似认为是由两部分构成

 第一部分:使用SSD网络进行预测,获得box的位置

第二部分:使用dlib构造tracker跟踪器,带入box构造带有矩形框的追踪器,然后使用dlib的追踪器对图像每一帧的位置进行追踪

代码:

第一步:构造进程函数,使用iq.get 和oq.put进行追踪器的位置更新

第二步:构造输入的参数, 使用cv2.dnn.readNetFromCaffe()构造SSD网络模型

第三步:使用cv2.Videocapture视频读入,fps=FPS().start() 用于计算FPS

第四步:进入循环,使用.read()读取图片

第五步:使用cv2.resize()对图片大小进行放缩变化,使用cv2.cvtColor(img, cv2.COLOR_BGR2RGB) #将读入的BGR转换为RGB,用于模型的预测

第六步:如果需要进行输出,使用cv2.VideoWriter实例化视频存储器

第七步:如果还没有使用SSD获得矩形框,使用cv2.dnn.blobFromImage对图像进行归一化操作

第八步:使用net.setInput将图片传入,使用net.forward获得前向传播输出的结果

第九步:如果置信度大于给定的置信度,获得SSD的标签,以及前向传播的位置信息

第十步:使用multiprocessing.Queue构造线程iq和oq,将线程添加到列表中,使用multiprocessing.process构造多进程,用于分别建立单个跟踪器

第十一步:如果已经生成了通道,使用iq.put(rgb)传入图像,使用oq.get()获得追踪器更新的位置

第十二步:进行画图操作,如果存在writer就进行写入

第十三步:更新fps.update

第十四步:统计运行的时间和FPS,并对vs进行释放内存

import cv2
import numpy as np
import argparse
import dlib
import multiprocessing
from utils import FPS

# 第一步:构造追踪器并进行结果的更新
def start_tracker(box, label, rgb, inputQueue, outputQueue):

    # 构造追踪器
    t = dlib.correlation_tracker()
    # rect为SSD获得的矩形框的位置
    rect = dlib.rectangle(int(box[0]), int(box[1]), int(box[2]), int(box[3]))
    # 设置追踪器的初始位置
    t.start_track(rgb, rect)
    # 获得下一帧图片
    while True:
        # 传入的图片
        rgb = inputQueue.get()
        if rgb is not None:
            # 更新追踪器
            t.update(rgb)
            # 获得追踪器的当前位置
            pos = t.get_position()

            startX = int(pos.left())
            startY = int(pos.top())
            endX = int(pos.right())
            endY = int(pos.bottom())

            # 把结果输出放入到output里面, 返回标签和位置
            outputQueue.put((label, (startX, startY, endX, endY)))

# 第二步:设置参数,并使用cv2.dnn.readFrameCaffe构造SSD的网络模型
ap = argparse.ArgumentParser()
ap.add_argument(-p, --prototxt, default=mobilenet_ssd/MobileNetSSD_deploy.prototxt,
                help=path to caffe "deploy" prototxt file)
ap.add_argument(-m, --model, default=mobilenet_ssd/MobileNetSSD_deploy.caffemodel,
                help=path to Caffe pre-trained model)
ap.add_argument(-v, --video, default=race.mp4,
                help=path to input video file)
ap.add_argument(-o, --output, type=str,
                help=path to optional output video file)
ap.add_argument(-c, --confidence, type=float, default=0.2,
                help=minimu probability to filter weak detections)

args = vars(ap.parse_args())

# 用于存放输入线程和输出线程
inputQueues = []
outputQueues = []
# 21种分类的结果
CLASSES = ["background", "aeroplane", "bicycle", "bird", "boat",
    "bottle", "bus", "car", "cat", "chair", "cow", "diningtable",
    "dog", "horse", "motorbike", "person", "pottedplant", "sheep",
    "sofa", "train", "tvmonitor"]

print([INFO] loading model...)
# 构造SSD网络模型
net =cv2.dnn.readNetFromCaffe(args[prototxt], args[model])

print([INFO] starting video stream...)
# 第三步:使用cv2.VideoCapture读取视频
vs = cv2.VideoCapture(args[video])
writer = None

fps = FPS().start()

if __name__ == __main__:
   # 第四步:进入循环,使用.read() 读取图片
    while True:
        ret, frame = vs.read()

        if frame is None:
            break

        # 第五步:进行图像的维度变化, 并且将BGR转换为RGB格式
        h, w = frame.shape[:2]
        width = 600
        r = width / float(w)
        dim = (width, int(r*h))
        frame = cv2.resize(frame, dim, cv2.INTER_AREA)
        rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

        # 第六步:进行视频的保存
        if args[output] is not None and writer is None:
            fourcc = cv2.VideoWriter_fourcc(*MJPG)
            writer = cv2.VideoWriter(args[output], fourcc,
                                     (frame.shape[1], frame.shape[0]), True)

        # 如果输入进程的维度为0,进入循环首先检测位置
        if len(inputQueues) == 0:
            # 第七步:使用cv2.dnn.blobFromImage()对图片进行归一化操作
            (h, w) = frame.shape[:2]
            blob = cv2.dnn.blobFromImage(frame, 0.007843, (w, h), 127.5)
            # 第八步:使用net.setInput输入图片,net.forward()获得前向传播的结果
            net.setInput(blob)
            detections = net.forward()
            # 第九步:对结果进行循环,如果置信度大于阈值,则获得其标签和box位置信息
            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])
                    label = CLASSES[idx]

                    if label != person:
                        continue

                    box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
                    (startX, startY, endX, endY) = box.astype(int)
                    bb = (startX, startY, endX, endY)

                    # 第十步:创建输入q和输出q,创建process线程,使用process.start()启动线程
                    iq = multiprocessing.Queue()
                    oq = multiprocessing.Queue()
                    inputQueues.append(iq)
                    outputQueues.append(oq)

                    # 在多个核上运行, 创建多核
                    p = multiprocessing.Process(
                        target=start_tracker,
                        args=(bb, label, rgb, iq, oq)
                    )
                    p.daemon = True
                    p.start()

                    cv2.rectangle(frame, (startX, startY), (endX, endY),
                                  (0, 255, 0), 2)
                    cv2.putText(frame, label, (startX, startY-15),
                                cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 0), 2)


        else:
            # 第十一步:如果生成了进程,循环输入线程,传入rgb图片,获得输出线程的label和更新位置的输出
            for iq in inputQueues:
                iq.put(rgb)

            for oq in outputQueues:
                (label, (startX, startY, endX, endY)) = oq.get()
                # 在frame图像上绘制矩形框和text
                cv2.rectangle(frame, (startX, startY), (endX, endY),
                              (0, 255, 0), 2)
                cv2.putText(frame, label, (startX, startY - 15),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 0), 2)
        # 第十二步:进行绘图,并进行视频的写入操作
        if writer is not None:
            writer.write(frame)

        cv2.imshow(Frame, frame)
        key = cv2.waitKey(1) & 0xFF
        if key == 27:
            break
        # 第十三步 fps更新
        fps.update()
    # 第十四步:统计运行时间和FPS,释放内存
    fps.stop()
    print([INFO] elapsed time {:.2f}.format(fps.elapsed()))
    print([INFO] approx. FPS:{:.2f}.format(fps.fps()))

    if writer is not None:
        writer.release()

    cv2.destroyAllWindows()
    vs.release()

效果展示:

技术分享图片

机器学习进阶-目标追踪-SSD多进程执行 1.cv2.dnn.readnetFromCaffe(用于读取已经训练好的caffe模型) 2.delib.correlation_tracker(生成追踪器) 5.cv2.writer(将图片写入视频中) 6.cv2.dnn.blobFromImage(图片归一化) 10.multiprocessing.process(生成进程)

原文:https://www.cnblogs.com/my-love-is-python/p/10455812.html

(2)
(3)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!