OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

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。

构造请求检测图像中的猫和猫脸

---

为了测试此API，编写 request_and_draw_rectangle.py 程序：

request_and_draw_rectangle.py

import cv2

import numpy as np

import requests

from matplotlib import pyplot as plt

def show_img_with_matplotlib(color_img, title, pos):

img_RGB = color_img[:, :, ::-1]

ax = plt.subplot(1, 2, pos)

plt.imshow(img_RGB)

plt.title(title, fontsize=10)

plt.axis(‘off’)

CAT_FACE_DETECTION_REST_API_URL = “http://localhost:5000/catfacedetection”

CAT_DETECTION_REST_API_URL = “http://localhost:5000/catdetection”

IMAGE_PATH = “test_example.png”

加载图像构建有效负载

image = open(IMAGE_PATH, ‘rb’).read()

payload = {‘image’: image}

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

img_opencv = cv2.imdecode(image_array, -1)

fig = plt.figure(figsize=(12, 7))

plt.suptitle(“Using cat detection API”, fontsize=14, fontweight=‘bold’)

show_img_with_matplotlib(img_opencv, “source image”, 1)

发送 GET 请求

r = requests.post(CAT_DETECTION_REST_API_URL, files=payload)

解析返回信息

print(“status code: {}”.format(r.status_code))

print(“headers: {}”.format(r.headers))

print(“content: {}”.format(r.json()))

json_data = r.json()

result = json_data[‘result’]

绘制猫脸检测框

for cat in result:

left, top, right, bottom = cat[‘box’]

cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 0), 2)

cv2.circle(img_opencv, (left, top), 10, (0, 0, 255), -1)

cv2.circle(img_opencv, (right, bottom), 10, (255, 0, 0), -1)

发送 GET 请求

r = requests.post(CAT_FACE_DETECTION_REST_API_URL, files=payload)

解析返回信息

print(“status code: {}”.format(r.status_code))

print(“headers: {}”.format(r.headers))

print(“content: {}”.format(r.json()))

json_data = r.json()

result = json_data[‘result’]

绘制猫检测框

for face in result:

left, top, right, bottom = face[‘box’]

cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 255), 2)

cv2.circle(img_opencv, (left, top), 10, (0, 0, 255), -1)

cv2.circle(img_opencv, (right, bottom), 10, (255, 0, 0), -1)

结果可视化

show_img_with_matplotlib(img_opencv, “cat detection”, 2)

plt.show()

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！