tensorflow object detection API 使用记录3

将训练好的模型用于视频上的目标检测

前言：一直都是用来检测图片，未来肯定是要应用在视频上，刚好想做个在视频上检测的小demo，不是做跟踪，所以实现起来很简单，只要把视频的每一帧都处理，另存到另一个视频里就可以了。
流程：

1. 把已经训练好的模型冻结下来，即得到.pb文件（既包括权重也包括网络结构）
2. 利用模型对视频每一帧进行处理并保存

冻结模型

每次保存模型的时候会生成三个文件，其中×××.meta代表网络结构，×××.data 代表权重，要将其存为.pb文件，采用API提供的方法：冻结模型

# From tensorflow/models
python object_detection/export_inference_graph.py \
    --input_type image_tensor \
    --pipeline_config_path ${PIPELINE_CONFIG_PATH} \
    --checkpoint_path model.ckpt-${CHECKPOINT_NUMBER} \
    --inference_graph_path YOUR_NAME.pb

处理图片

官方的demo：quick start，正是使用.pb模型离线检测图片的例子，写的非常清楚不再赘述

处理视频

我是采用opencv读取视频帧并处理的方式，很简单，直接上代码，这里做的仅仅是把quick start里面检测部分改成了函数的形式：即下面的detect函数

videoCapture = cv2.VideoCapture('video_path')

#获得码率及尺寸
fps = videoCapture.get(cv2.cv.CV_CAP_PROP_FPS)
size = (int(videoCapture.get(cv2.cv.CV_CAP_PROP_FRAME_WIDTH)), 
        int(videoCapture.get(cv2.cv.CV_CAP_PROP_FRAME_HEIGHT)))

#指定写视频的格式, I420-avi, MJPG-mp4
videoWriter = cv2.VideoWriter('video.avi', cv2.cv.CV_FOURCC('I', '4', '2', '0'), fps, size)

with detection_graph.as_default():
    with tf.Session(graph=detection_graph) as sess:
        success, frame = videoCapture.read()
        while success:
            frame = detect(frame, detection_graph, sess)
            cv2.imshow('frame', frame) #显示
            cv2.waitKey(1000/int(fps))
            videoWriter.write(frame)
            success, frame = videoCapture.read()

videoCapture.release()
cv2.destroyAllWindows()

运行程序可以看到训练好的模型处理每一帧的情况，所以如果网络结构能达到实时，那看起来就像放视频，啊，好想有那种效果又好，又能达到实时的结构跑一下，求推荐好的目标检测的tensorflow资源！
另外推荐一个采用另外一个库moviepy对视频做处理的小demo, 用起来比opencv方便一些：基于moviepy的视频检测小demo