项目答辩（PPT）

import numpy as np
import cv2

#yolov3目标检测
def model_output(image, w, h):
    net = cv2.dnn.readNetFromDarknet('./yolo-coco/yolov3-tiny.cfg', './yolo-coco/yolov3-tiny.weights')
    #加载已训练好的yolov3网络的权重和相应的配置数据
    blob_image = cv2.dnn.blobFromImage(image, 1/255.)
    #图像预处理，归一化作用，确保输入数据在相同的尺度范围内，避免不同图像之间的像素值差异过大。
    # 这有助于网络模型更好地学习图像特征，提高模型的稳定性和收敛速度，提高识别精度。
    # print(blob_image)
    net.setInput(blob_image) #将blob_image输入到网络
    out_names = net.getUnconnectedOutLayersNames()
    # 获取网络输出层信息（所有输出层的名字）Net类中的forward函数需要一个结束层，
    # 它应该在网络中运行到该层。因此我们通过getUnconnectedOutLayersNames来识别网络的最后一层从而运行整个网络
    # print(out_names)
    outs = net.forward(out_names)#模型开始正向推理，得到输出结果

    ids = [] #表示识别的目标归属于哪一类 类别的编号0~79
    confidences = [] # 表示识别目标是某种物体的置信度
    boxes = [] # # 用于存放识别物体的矩形框的信息，包括框的左上角横坐标x和纵坐标y以及框的高h和宽w
    # print(len(outs))
    '''
    是YOLO算法在图片中检测到的bbx的信息
    # 由于YOLO v3-tiny有两个输出
    # 因此outs是一个长度为2的列表
    # 其中，列表中每一个元素的维度是(num_detection, 85)
    # num_detections表示该层输出检测到bbx的个数
    # 85：因为该模型在COCO数据集上训练，[5:]表示类别概率；[0:4]表示bbx的位置信息；[5]表示置信度
    每个格子预测的 box 的置信度 = 预测 box 中包含物体的概率 * 预测 box 位置的准确度
    每个格子预测的类别置信度 = 预测的类别的概率
    '''
    #遍历检测结果, 获得检测框
    for out in outs:
        # 遍历每一个输出层的输出
        # print("len(out):",len(out))
        # print(out)
        #遍历某个输出层中的每一个目标
        for detection in out:
            # print(detection)
            # print("len(detection):",len(detection))
            scores = detection[5:] ## 当前目标属于某一类别的概率
            # print("scores:",scores)
            class_id = np.argmax(scores) # 概率最大的ID
            # print("class_id:",class_id)
            confidence = scores[class_id]#得到最大概率值
            # print("confidence:",confidence)
            #只保留置信度大于0.5的检测框
            if confidence > .5:
                ids.append(class_id)
                confidences.append(confidence)
                # 将边界框的坐标还原至与原图片匹配，YOLO返回的是检测矩形框的中心坐标以及矩形框的宽度和高度
                center_x, center_y = int(detection[0] * w), int(detection[1] * h)
                width, height = int(detection[2] * w), int(detection[3] * h)
                x = int(center_x - (width / 2))  # 计算矩形框的左上角的横坐标
                y = int(center_y - (height / 2))  # 计算矩形框的左上角的纵坐标
                boxes.append([x, y, width, height])
    # print(ids)
    #通过非极大值抑制去掉多余的检测框
    indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.5)
    # 返回的indices是一个一维数组，数组中的元素是保留下来的检测框boxes的索引位置
    # print(indices)
    return indices,  boxes, confidences, ids

def create_yanmo(frame):
    im=np.zeros(frame.shape,dtype=np.uint8)
    cv2.fillPoly(im,[np.array(points).reshape(-1,1,2)],(255,255,255))
    new_im=cv2.addWeighted(frame,.8,im,.2,10)
    return new_im

def alerm_per(new_im,points,person_axis):
    im1=np.zeros(new_im.shape,dtype=np.uint8)
    cv2.fillPoly(im1,[np.array(points).reshape(-1,1,2)],(255,255,255))
    im2 = np.zeros(new_im.shape, dtype=np.uint8)
    cv2.fillPoly(im2, [np.array(person_axis).reshape(-1, 1, 2)], (255, 255, 255))
    intersact=cv2.bitwise_and(im1,im2)
    return np.sum(np.greater(intersact,0))

def inspect_per(new_im):
    suoying,boxes,confident,ids=model_output(new_im, new_im.shape[1], new_im.shape[0])
    for i in suoying:                                  #    宽                高
        if ids[i]==0:
            box=boxes[i]
            #求出行人的点坐标传给求相交区域的函数
            person_axis=[(box[0],box[1]),(box[0]+box[2],box[1]),(box[0]+box[2],box[1]+box[3]),(box[0],box[1]+box[3])]
            alerm_draw=alerm_per(new_im,points,person_axis) #检测危险区域并给危险区域行人画红框
            if alerm_draw>0:
                cv2.rectangle(new_im, (box[0], box[1]), (box[0] + box[2], box[1] + box[3]), (0, 0, 255), 4)
            else:
                cv2.rectangle(new_im,(box[0],box[1]),(box[0]+box[2],box[1]+box[3]),(255,0,0),3)

#循环读取每一帧
def cicrle_frame(capture):
    pause=False
    while True:
        if not pause:
            ret,frame=capture.read()
            if not ret:
                break
            new_im=create_yanmo(frame)  #1.掩膜
            inspect_per(new_im) #2.检测行人画框函数
            cv2.imshow('shuai1',new_im)
            cv2.setMouseCallback('shuai1', on_click, frame)
        key=cv2.waitKey(10)
        if key==ord('q'):
            break
        if key==ord(' '):
            pause=not pause

#描点划线函数
points=[]
def on_click(event,x,y,flag,frame):
    if event==cv2.EVENT_LBUTTONDOWN:
        points.append((x,y))
        for i in range(len(points)):
            cv2.circle(frame,points[i],5,(255,255,255),3)
        for i in range(len(points)-1):
            cv2.line(frame,points[i],points[i+1],(255,255,255),3)
        cv2.imshow('shuai',frame)

#读取第一帧函数 描点划线
def read_frame(capture):
    ret,frame=capture.read()
    cv2.imshow('shuai',frame)
    cv2.setMouseCallback('shuai',on_click,frame)
    cv2.waitKey(0)

def main():
    capture=cv2.VideoCapture('a.avi')
    #读取第一帧 描点划线
    read_frame(capture)
    cv2.destroyAllWindows()  #完了以后毁坏窗口，已便使用新的窗口 不会造成窗口冗余
    #循环读取每一帧 将掩膜放进循环
    cicrle_frame(capture)

if __name__=='__main__':
    main()