cv dnn识别动作规范 open_OpenCV开发笔记（七十二）：红胖子8分钟带你使用opencv+dnn+tensorFlow识别物体...

前言

级联分类器的效果并不是很好，准确度相对深度学习较低，本章使用opencv通过tensorflow深度学习，检测已有模型的分类。

Demo

  

可以猜测，1其实是人，18序号类是狗，因为笔者未找到对应的分类具体信息。

Tensorflow模型下载

OpenCV深度识别基本流程

opencv3.4.x支持了各种模型。

支持的模型

操作步骤：tensorflow步骤一：加载模型和配置文件，建立神经网络。

根据不同的模型，使用cv::dnn::readNetFromXXX系列函数进行读取，opencv3.4.x系列支持的dnn模型(支持模型往上看)。

举例tensorflow模型如下：std::string weights = "E:/qtProject/openCVDemo/dnnData/" \

"ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb";

std::string prototxt = "E:/qtProject/openCVDemo/dnnData/" \

"ssd_mobilenet_v1_coco_2017_11_17.pbtxt";

cv::dnn::Net net = cv::dnn::readNetFromTensorflow(weights, prototxt);步骤二：将要预测的图片加入到神经网络中

加入之后，需要识别图片，那么需要把图片输入到神经网络当中去，如下：cv::Mat mat;

cv::Mat blob;

mat = cv::imread("E:/testFile/14.jpg");

cv::dnn::blobFromImage(mat, blob);步骤三：分类预测，获取识别的结果

输入之后，就进行识别，识别是向前预测(分类预测)，并且拿到结果。cv::Mat prob = net.forward();

对于预测的结果，存于cv::Mat类型的prob，然后需要统一对prob进行处理，使其成为我们可以使用的数据，代码如下：cv::Mat detectionMat(prob.size[2], prob.size[3], CV_32F, prob.ptr());

对于从结果prob转换为detectionMat后，其结构如下：

cv::Mat为多行七列，每一行代表一个检测到的分类，具体列信息如下表：

  

(注意：具体的使用，请参照“步骤四”)步骤四：对达到置信度的可以通过输出的mat进行分类和框选cv::Mat detectionMat(prob.size[2], prob.size[3], CV_32F, prob.ptr());

// 置信度预制，大于执行度的将其使用rect框出来

float confidenceThreshold = 0.75;

for(int i = 0; i < detectionMat.rows; i++)

{

float confidence = detectionMat.at(i, 2);

if (confidence > confidenceThreshold)

{

// 高于