CV中简单的使用DNN

# 深度学习网络模型
# DNN(Deep Neural Network,深度神经网络)
# RNN(Recurrent Neural Network,循环神经网络)
# 语音识别、机器翻译、生成图像描述
# 输入 - 隐藏 - 输出

# CNN(Convolutional Neural Network，卷积神经网络)
# 图片分类、检索，目标定位检测，目标分割，人脸识别
# 输入 - 卷积 - 池化 - 卷积... - 全连接 - 输出


# DNN使用步骤
# 1、读取模型，并得到深度神经网络
# 2、读取图片/视频
# 3、将图片转成张量，送入深度神经网络
# 4、进行分析，并得到结果

import cv2
from cv2 import dnn
import numpy as np
import re

# 导入模型，创建神经网络

config = "../model/bvlc_googlenet.prototxt"
model = "../model/bvlc_googlenet.caffemodel"

net = dnn.readNetFromCaffe(config, model)

# 读图片，转成张量
img = cv2.imread('../img/5.jpg')
# scalefactor:缩放因子，修改为固定张量(224,224),(104, 117, 123)默认输入值
blob = dnn.blobFromImage(img, 1.0, (224, 224), (104, 117, 123))

# 将张量输入到神经网络，并且进行预测
net.setInput(blob)
r = net.forward()

# 读入类目
classes = []
path = '../model/dataset.txt'  # 标签文件
with open(path, 'rt') as f:
    classes = [x[x.find("") + 1:] for x in f]

order = sorted(r[0], reverse=True)
z = list(range(5))
for i in list(range(0, 5)):
    z[i] = np.where(r[0] == order[i])[0][0]
    print('第', i + 1, '项,匹配', classes[z[i]], end='')
    print('类所在行', z[i] + 1, ' ', '可能性：', order[i])

text1 = f"Match{classes[z[0]]}."
text2 = f"In{z[0] + 1},Per:{order[0]}"
cv2.putText(img, text1, (0, 50), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 255), 2)
cv2.putText(img, text2, (0, 80), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 255), 2)
cv2.imshow('img', img)
cv2.waitKey(0)

cv2.destroyAllWindows()

 ------------------------------------------------我是分割线------------------------------------------------------

在上方基础上，改为读取视频，代码如下：

import cv2
from cv2 import dnn
import numpy as np
import re

# 导入模型，创建神经网络

config = "../model/bvlc_googlenet.prototxt"  # (描述)配置文件
model = "../model/bvlc_googlenet.caffemodel"  # 模型文件

# 读取网络 包括模型描述文件和和模型文件
net = dnn.readNetFromCaffe(config, model)

# 读图片，转成张量
# img = cv2.imread('../img/landescape1.png')
# 读视频，转成张量
cap = cv2.VideoCapture('../VideoFile/animal/6.mp4')
while True:
    ret, frame = cap.read()
    if ret:
        img = frame

        # scalefactor:缩放因子，修改为固定张量(224,224),(104, 117, 123)默认输入值
        blob = dnn.blobFromImage(img, 1.0, (224, 224), (104, 117, 123))

        # 将张量输入到神经网络，并且进行预测
        net.setInput(blob)
        r = net.forward()

        # 读入类目
        classes = []
        path = '../model/dataset.txt'  # 标签文件
        with open(path, 'rt') as f:  # 读取标签文件
            classes = [x[x.find("") + 1:] for x in f]

        order = sorted(r[0], reverse=True)
        z = list(range(3))
        for i in list(range(0, 3)):
            z[i] = np.where(r[0] == order[i])[0][0]
            # print('第', i + 1, '项,匹配', classes[z[i]], end='')
            # print('类所在行', z[i] + 1, ' ', '可能性：', order[i])

        text1 = f"Match{classes[z[0]]}."
        text2 = f"In{z[0] + 1},Per:{order[0]}"
        cv2.putText(img, text1, (0, 50), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 255), 2)
        cv2.putText(img, text2, (0, 80), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 255), 2)
        print('匹配', classes[z[0]], end='')
        print('类所在行', z[0] + 1, ' ', '可能性：', order[0])

        cv2.imshow('img', img)

    k = cv2.waitKey(10)
    if k == 27:
        break
cap.release()
cv2.destroyAllWindows()