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

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

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。

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)

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。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

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！
ark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA56iL5bqP5aqb56eD56eD,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)

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。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-6Wn53Tfs-1713330865196)]

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！