(七)OpenCV深度神经网络(DNN)模块_02_使用SSD模型实现(实时)对象检测、GOTURN模型实现对象跟踪

最新推荐文章于 2023-07-06 14:41:36 发布

丶小早

最新推荐文章于 2023-07-06 14:41:36 发布

阅读量635

点赞数

分类专栏：笔记 Opencv 文章标签： opencv

本文链接：https://blog.csdn.net/weixin_45553439/article/details/104373877

版权

本文介绍了OpenCV中的深度神经网络(DNN)模块，重点讲解如何使用SSD模型进行实时对象检测，包括模型下载、预测过程和多尺度特征预测原理。同时，还探讨了GOTURN模型在对象跟踪上的应用，实现高达100FPS的跟踪速度，提供相关模型和数据集的下载链接。

摘要由CSDN通过智能技术生成

SSD模型:
下载:https://github.com/weiliu89/caffe/tree/ssd#models
Fast-R-CNN模型基础上延伸(在特征图上采用卷积核来预测)
刚开始的层使用图像分类模型中的层，称为base network，在此基础上，添加一些辅助结构：

Mult-scale feature map for detection
在base network后，添加一些卷积层，这些层的大小逐渐减小，可以进行多尺度预测。
Convolutional predictors for detection
每一个新添加的层，可以使用一系列的卷积核进行预测。
对于一个大小为mn、p通道的特征层，使用33的卷积核进行预测，在某个位置上预测出一个值，该值可以是某一类别的得分，也可以是相对于default bounding boxes的偏移量，并且在图像的每个位置都将产生一个值。
Default boxes and aspect ratio
在特征图的每个位置预测K个box。
对于每个box，预测C个类别得分，以及相对于default bounding box的4个偏移值，这样需要(C+4)k个预测器，在mn的特征图上将产生(C+4)km*n个预测值。

基于PASCAL VOC数据集实现200个分类对象检测

二进制模型
VGG_ILSVRC2016_SSD_300x300_iter_440000.caffemodel / MobileNetSSD_deploy.caffemodel
网络描述
ILSVRC2016/SSD_300x300/deploy.prototxt / MobileNetSSD_deploy.prototxt
分类信息
ILSVRC2016/SSD_300x300/labelmap_det.txt / classNames(20个分类标签)

GOTURN模型可以实现视频对象跟踪(100FPS)
GOTURN(Generic Object Tracking Using Regression Networks)
下载地址https://github.com/opencv/opencv_extra/tree/c4219d5eb3105ed8e634278fad312a1a8d2c182d/testdata/tracking

#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>

using namespace cv;
using namespace cv::dnn;
using namespace std;
//参照https://blog.csdn.net/Haiqiang1995/article/details/89948101

//标签文件//分类信息
const char* classNames[] = {
    "background",
"aeroplane", "bicycle", "bird", "boat",
"bottle", "bus", "car", "cat", "chair",
"cow", "diningtable", "dog", "horse",
"motorbike", "person", "pottedplant",
"sheep", "sofa", "train", "tvmonitor" };

//String Label_Text = "labelmap_det.txt";
String Model_Caffe =