目标检测进阶：使用深度学习和 OpenCV 进行目标检测，pdf面试简历

打开一个新文件，将其命名为 object_detection.py ，并插入以下代码：

import numpy as np

import cv2

if name==“main”:

image_name = ‘11.jpg’

prototxt = ‘MobileNetSSD_deploy.prototxt.txt’

model_path = ‘MobileNetSSD_deploy.caffemodel’

confidence_ta = 0.2

初始化MobileNet SSD训练的类标签列表

检测，然后为每个类生成一组边界框颜色

CLASSES = [“background”, “aeroplane”, “bicycle”, “bird”, “boat”,

“bottle”, “bus”, “car”, “cat”, “chair”, “cow”, “diningtable”,

“dog”, “horse”, “motorbike”, “person”, “pottedplant”, “sheep”,

“sofa”, “train”, “tvmonitor”]

COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))

导入需要的包。

定义全局参数：

• image_name：输入图像的路径。

• prototxt ：Caffe prototxt 文件的路径。

• model_path ：预训练模型的路径。

• confidence_ta ：过滤弱检测的最小概率阈值。 默认值为 20%。

接下来，让我们初始化类标签和边界框颜色。

load our serialized model from disk

print(“[INFO] loading model…”)

net = cv2.dnn.readNetFromCaffe(prototxt, model_path)

加载输入图像并为图像构造一个输入blob

将大小调整为固定的300x300像素。

（注意：SSD模型的输入是300x300像素）

image = cv2.imread(image_name)

(h, w) = image.shape[:2]

blob = cv2.dnn.blobFromImage(cv2.resize(image, (