python opencv训练识别_基于Python+opencv的视频识别检测训练深度学习训练项目案例...

该楼层疑似违规已被系统折叠 隐藏此楼查看此楼

以下为代码森林的小哥哥编写的深度学习动体识别项目，非常适合毕业生实战练手！累计编程经验。

代码森林提供Python2—3编程环境，基于Docker容器技术、Kubernetes技术，瞬间创建分配编程实验环境。

无需配置繁琐的编程环境

登录网站立刻开启学习之旅

几秒即可启动云端编程环境

随心实践喜欢的教材、课程

云端储存——实时保存代码到云端

版本管理——实训每步都有迹可循

PC端使用浏览器打开http://www.codeforest.cn/，完成注册登录，选择以下课程——购买课程即可开启学习。

需安装依赖模块如下:

pip install imutils

pip install numpy

pip install argparse

pip install opencv-python

备注：需要在Python3的环境下运行哦,复制上面安装命令命令到命令行安装，或使用pycharm安装。

安装模块完成以后复制代码到pycharmIDE即可运行，代码如下

# import the necessary packagesfrom __future__ import print_function # 确保代码同时在Python2.7和Python3上兼容from imutils.object_detection import non_max_suppressionfrom imutils import pathsimport numpy as npimport argparseimport imutils # 安装库pip install imutils ；pip install --upgrade imutils更新版本大于v0.3.1import cv2# construct the argument parse and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-i", "--images", required=True, help="path to images directory")# args = vars(ap.parse_args())# 初始化我们的行人检测器hog = cv2.HOGDescriptor() # 初始化方向梯度直方图描述子hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) # 设置支持向量机(Support Vector Machine)使得它成为一个预先训练好了的行人检测器# hog.load('myHogDector3.bin')# 到这里，我们的OpenCV行人检测器已经完全载入了，我们只需要把它应用到一些图像上# ---------------------------------------------------------------------------------------------------------srcTest = '003.mp4'# srcTest = 'G:/PycharmProjects/PedestrianDetection/videos/001.mp4'cap = cv2.VideoCapture(srcTest) # Open video file# loop over the image pathswhile(cap.isOpened()): # args["images"] # load the image and resize it to (1) reduce detection time # and (2) improve detection accuracy ret, image = cap.read() image = imutils.resize(image, width=min(800, image.shape[1])) frameForView = image.copy() ''' 构造了一个尺度scale=1.05的图像金字塔，以及一个分别在x方向和y方向步长为(4,4)像素大小的滑窗 scale的尺度设置得越大，在图像金字塔中层的数目就越少，相应的检测速度就越快，但是尺度太大会导致行人出现漏检； 同样的，如果scale设置得太小，将会急剧的增加图像金字塔的层数，这样不仅耗费计算资源，而且还会急剧地增加检测过程 中出现的假阳数目(也就是不是行人的被检测成行人)。这表明，scale是在行人检测过程中它是一个重要的参数，。 '''# detect people in the image： (rects, weights) = hog.detectMultiScale(image, winStride=(4, 4), padding=(8, 8), scale=200.05) # 应用非极大抑制方法，通过设置一个阈值来抑制那些重叠的边框 rects = np.array([[x, y, x + w, y + h] for (x, y, w, h) in rects]) pick = non_max_suppression(rects, probs=None, overlapThresh=0.65) # draw the final bounding boxes for (xA, yA, xB, yB) in pick: cv2.rectangle(image, (xA, yA), (xB, yB), (0, 255, 0), 2)# 捕获异常 try: cv2.imshow('FrameForView', image) # cv2.imshow('Frame', frame) except Exception as e: print(e) break # Abort and exit with 'Q' or ESC k = cv2.waitKey(30) & 0xff if k == 27: breakcap.release()cv2.destroyAllWindows()

感兴趣的可以点击代码森林，上机操作。http://www.codeforest.cn/register?inviteCode=BMTOE