OpenCV-Python实战（番外篇）(5)，Python进阶之光

最新推荐文章于 2024-08-26 18:36:13 发布

m0_60707660

最新推荐文章于 2024-08-26 18:36:13 发布

阅读量856

点赞数 10

分类专栏： 2024年程序员学习文章标签： opencv python 人工智能

本文链接：https://blog.csdn.net/m0_60707660/article/details/137224837

版权

2024年程序员学习专栏收录该内容

285 篇文章 1 订阅

订阅专栏

| └─image_processing.py

└─client

├─request_and_draw_rectangle.py

└─test_example.png

使用级联检测器检测猫脸

为了更好的进行代码分离，检测程序在 image_processing.py 脚本中执行，其中编码了 ImageProcessing() 类。我们在 ImageProcessing 类中实现 cat_face_detection() 方法，利用 OpenCV 中的 detectMultiScale() 函数执行猫脸检测。

image_processing.py

class ImageProcessing(object):

def init(self):

在构造函数中实例化猫脸检测器

self.file_cascade = os.path.join(os.path.join(os.path.dirname(file), ‘data’), “haarcascade_frontalcatface_extended.xml”)

self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)

def cat_face_detection(self, image):

image_array = np.asarray(bytearray(image), dtype=np.uint8)

img_opencv = cv2.imdecode(image_array, -1)

output = []

gray = cv2.cvtColor(img_opencv, cv2.COLOR_BGR2GRAY)

cats = self.cat_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(25, 25))

for cat in cats:

返回检测到的猫脸检测框坐标

x, y, w, h = cat.tolist()

face = {‘box’: [x, y, x + w, y + h]}

output.append(face)

return output

使用深度学习模型检测图片中的猫

ImageProcessing 类的 cat_detection() 方法使用预训练的 MobileNet SSD 对象检测执行猫检测，它可以检测 20 个类。在本项目中，我们的目标是检测猫，如果 class_id 是一只猫，我们会将检测结果添加到 output 中：

在 image_processing.py 中添加 cat_detection() 方法

class ImageProcessing(object):

def init(self):

在构造函数中实例化猫脸检测器

self.file_cascade = os.path.join(os.path.join(os.path.dirname(file), ‘data’), “haarcascade_frontalcatface_extended.xml”)

self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)

在构造函数中实例化 SSD 深度学习模型用于检测猫

self.file_prototxt = os.path.join(os.path.join(os.path.dirname(file), ‘data’), “MobileNetSSD_deploy.prototxt.txt”)

self.file_caffemodel = os.path.join(os.path.join(os.path.dirname(file), ‘data’), “MobileNetSSD_deploy.caffemodel”)

self.classes = [“background”, “aeroplane”, “bicycle”, “bird”, “boat”, “bottle”, “bus”,

“car”, “cat”, “chair”, “cow”, “diningtable”, “dog”, “horse”, “motorbike”,

“person”, “pottedplant”, “sheep”, “sofa”, “train”, “tvmonitor”]

self.net = cv2.dnn.readNetFromCaffe(self.file_prototxt, self.file_caffemodel)

def cat_detection(self, image):

image_array = np.asarray(bytearray(image), dtype=np.uint8)

img_opencv = cv2.imdecode(image_array, -1)

图像预处理

blob = cv2.dnn.blobFromImage(img_opencv, 0.007843, (300, 300), (127.5, 127.5, 127.5))

前向计算

self.net.setInput(blob)

detections = self.net.forward()

预处理后图像尺寸

dim = 300

output = []

for i in range(detections.shape[2]):

confidence = detections[0, 0, i, 2]

if confidence > 0.1:

获取类别标签

class_id = int(detections[0, 0, i, 1])

获取对象位置的坐标

left = int(detections[0, 0, i, 3] * dim)

top = int(detections[0, 0, i, 4] * dim)

right = int(detections[0, 0, i, 5] * dim)

bottom = int(detections[0, 0, i, 6] * dim)

图像尺寸的比例系数

heightFactor = img_opencv.shape[0] / dim

widthFactor = img_opencv.shape[1] / dim

检测框坐标

left = int(widthFactor * left)

top = int(heightFactor * top)

right = int(widthFactor * right)

bottom = int(heightFactor * bottom)

检测目标是否是猫

if self.classes[class_id] == ‘cat’:

cat = {‘box’: [left, top, right, bottom]}

output.append(cat)

return output

以上猫检测模型，使用了 MobileNet-SSD 目标检测模型，这里对训练后 MobileNet-SSD 模型架构和模型权重参数文件进行压缩供大家进行下载，也可以自己构建模型训练获得 MobileNet-SSD 模型参数。

将 OpenCV 猫脸检测程序部署在 Web 端

接下来将使用 OpenCV 创建一个深度学习猫检测 Web API，cat_detection 项目对 Web 服务器应用程序实现在 Web 端检测猫，cat_detection.py 脚本负责解析请求并构建对客户端的响应：

cat_detection.py

from flask import Flask, request, jsonify

import urllib.request

from image_processing import ImageProcessing

app = Flask(name)

ip = ImageProcessing()

@app.errorhandler(400)

def bad_request(e):

return jsonify({‘status’: ‘Not ok’, ‘message’: ‘This server could not understand your request’}), 400

@app.errorhandler(404)

def not_found(e):

return jsonify({‘status’: ‘Not found’, ‘message’: ‘Route not found’}), 404

@app.errorhandler(500)

def not_found(e):

return jsonify({‘status’: ‘Internal error’, ‘message’: ‘Internal error occurred in server’}), 500

@app.route(‘/catfacedetection’, methods=[‘GET’, ‘POST’, ‘PUT’])

def detect_cat_faces():

if request.method == ‘GET’:

if request.args.get(‘url’):

with urllib.request.urlopen(request.args.get(‘url’)) as url:

return jsonify({‘status’: ‘Ok’, ‘result’: ip.cat_face_detection(url.read())}), 200

else:

return jsonify({‘status’: ‘Bad request’, ‘message’: ‘Parameter url is not present’}), 400

elif request.method == ‘POST’:

if request.files.get(‘image’):

return jsonify({‘status’: ‘Ok’, ‘result’: ip.cat_face_detection(request.files[‘image’].read())}), 200

else:

return jsonify({‘status’: ‘Bad request’, ‘message’: ‘Parameter image is not present’}), 400

else:

return jsonify({‘status’: ‘Failure’, ‘message’: ‘PUT method not supported for API’}), 405

@app.route(‘/catdetection’, methods=[‘GET’, ‘POST’, ‘PUT’])

def detect_cats():

if request.method == ‘GET’:

if request.args.get(‘url’):

with urllib.request.urlopen(request.args.get(‘url’)) as url:

return jsonify({‘status’: ‘Ok’, ‘result’: ip.cat_detection(url.read())}), 200

else:

return jsonify({‘status’: ‘Bad request’, ‘message’: ‘Parameter url is not present’}), 400

elif request.method == ‘POST’:

if request.files.get(‘image’):

return jsonify({‘status’: ‘Ok’, ‘result’: ip.cat_detection(request.files[‘image’].read())}), 200

else:

return jsonify({‘status’: ‘Bad request’, ‘message’: ‘Parameter image is not present’}), 400

else:

return jsonify({‘status’: ‘Failure’, ‘message’: ‘PUT method not supported for API’}), 405

if name == ‘main’:

app.run(host=‘0.0.0.0’)

如上所示，使用 route() 装饰器将 detect_cat_faces() 函数绑定到 /catfacedetection URL，并将detect_cats() 函数绑定到 /catdetection URL，并且使用 jsonify() 函数创建 application/json MIME 类型的给定参数的 JSON 表示，此 API 支持 GET 和 POST 请求，我们还通过使用 errorhandler() 装饰函数来注册错误处理程序。