【OpenCV】使用官方YOLOv3模型进行目标检测

参考：
YOLO官网： https://pjreddie.com/darknet/yolo/
OpenCV官方文档： https://docs.opencv.org/3.4.5/da/d9d/tutorial_dnn_yolo.html
大佬博客： https://www.learnopencv.com/deep-learning-based-object-detection-using-yolov3-with-opencv-python-c/
大佬代码： https://github.com/spmallick/learnopencv/blob/master/ObjectDetection-YOLO/object_detection_yolo.cpp

前期准备

本人用的是VS2015+OpenCV3.4.5（版本太低的话无法支持yolo3）

YOLO3模型下载：
1.（yolov3.weights）权重文件：https://pjreddie.com/media/files/yolov3.weights
2.（yolov3.cfg）配置文件：https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg
3.（coco.names）对象名称文件：https://github.com/pjreddie/darknet/blob/master/data/coco.names
**提供我的百度云打包下载(*￣︶￣)：链接：https://pan.baidu.com/s/1S--B32JVWJEKVb7L97mtJA 提取码：1r04

把3个模型文件放到项目文件中，之后程序通过路径调用。
（本人是在项目文件中新建了一个yolo3的文件，因此在程序中调用时记得修改路径）

顺便把检测对象（图片或视频）也放到同一个路径里面。

处理步骤

（这部分主要是参考翻译自大佬的文章，如果只是想跑程序，不想了解过程，可以直接跳过这一节）

1.初始化参数
YOLOv3算法生成边界框作为预测的检测输出，每个预测框都与置信度得分相关。主要涉及以下几个参数：
（1）置信阈值参数（confThreshold）：首先，将忽略置信阈值参数下的所有框以进行进一步处理，置信得分在该阈值以下的识别对象会被去除掉；
（2）非最大抑制参数（nmsThreshold）：之后，剩下的框将进行非最大抑制，以删除多余的重叠边界框。该参数如果太低的话会检测不到有重叠的对象，参数太高可能会出现同一个对象有几个重复的框；
（3）宽度（inpWidth）和高度（inpHeight）：接下来，设置网络输入图像的输入宽度和高度的默认值。将它们中的每一个设置为416，这样就可以将我们的运行与Yolov3的作者给出的Darknet的C代码进行比较。（还可以将这两个选项都更改为320以获得更快的结果，或者更改为608以获得更准确的结果）

// Initialize the parameters
floatconfThreshold = 0.5;// Confidence threshold
floatnmsThreshold = 0.4;// Non-maximum suppression threshold
intinpWidth = 416;// Width of network's input image
intinpHeight = 416;// Height of network's input image

2.导入模型和类
之前我们准备的YOLO3模型3个文件在这里导入，包括：（coco.names）对象名称文件，（yolov3.weights）权重文件，（yolov3.cfg）配置文件。（记得修改路径）
这里将DNN后端设置为OpenCV，目标为CPU。这里可以尝试将首选目标设置为cv.dnn.dnn_target_opencl以在GPU上运行。但是，当前的opencv版本只能在英特尔的GPU上测试，如果没有英特尔的GPU，它会自动切换到CPU。

// Load names of classes
string classesFile = "coco.names";
ifstream ifs(classesFile.c_str());
string line;
while(getline(ifs, line)) classes.push_back(line);
// Give the configuration and weight files for the model
String modelConfiguration = "yolov3.cfg";
String modelWeights = "yolov3.weights";
// Load the network
Net net = readNetFromDarknet(modelConfiguration, modelWeights);
net.setPreferableBackend(DNN_BACKEND_OPENCV);
net.setPreferableTarget(DNN_TARGET_CPU);

3.读取输入
这一步就是OpenCV的常规操作，可以读取图片、视频或者是摄像头，另外就是还可以设置一个输出来保存我们检测的效果。

if (parser.has("image"))
{
   
    // Open the image file
    str = parser.get<String>("image");
    ifstream ifile(str);
    if (!ifile) throw("error");
    cap.open(str);
    str.replace(str.end()-4, str.end(), "_yolo_out.jpg");
    outputFile = str;
}
else if (parser.has("video"))
{
   
    // Open the video file
    str = parser.get<String>("video");
    ifstream ifile(str);
    if (!ifile) throw("error");
    cap.open(str);
    str.replace(str.end()-4, str.end(), "_yolo_out.avi");
    outputFile = str;
}
// Open the webcaom
else cap.open(parser.get<int>("device"));

4.处理每一帧图像

神经网络的输入图像需要采用一种称为blob的特定格式。

从输入图像或视频流中读取帧后，将通过blobFromImage函数将其转换为神经网络的输入blob。 在此过程中，它使用比例因子1/255将图像像素值缩放到0到1的目标范围。 它还将图像的大小调整为给定大小（416,416）而不进行裁剪。
(PS：我们不在此处执行任何均值减法，因此将[0,0,0]传递给函数的mean参数，并将swapRB参数保持为其默认值1。)
之后输出blob作为输入传递到网络，并运行正向传递以获得预测边界框列表作为网络输出。 这些框经过后处理步骤，滤除了低置信度分数。 这里在图像左上角打印出每帧的推理时间， 然后将检测图像输出。

// Process frames.
while (waitKey(1) < 0)
{
   
    // get frame from the video
    cap >> frame;
 
    // Stop the program if reached end of video
    if (frame.empty()) {
   
        cout << "Done processing !!!" << endl;
        cout << "Output file is stored as " << outputFile << endl;
        waitKey(3000);
        break;
    }
    // Create a 4D blob from a frame.
    blobFromImage(frame, blob, 1/255.0, cvSize(inpWidth, inpHeight), Scalar(0,0,0), true, false);
     
    //Sets the input to the network
    net.setInput(blob);
     
    // Runs the forward pass to get output of the output layers
    vector<Mat> outs;
    net.forward(outs, getOutputsNames(net));
     
    // Remove the bounding boxes with low confidence
    postprocess(frame, outs);
     
    // Put efficiency information. The function getPerfProfile returns the 
    // overall time for inference(t) and the timings for each of the layers(in layersTimes)
    vector<double> layersTimes;
    double freq = getTickFrequency() / 1000;
    double t = net.getPerfProfile(layersTimes) / freq;
    string label = format("Inference time for a frame : %.2f ms", t);
    putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 255));
     
    // Write the frame with the detection boxes
    Mat detectedFrame