OpenCV实现目标检测

OpenCV实现目标检测

目标检测是计算机视觉领域的一大重要分支,在自动驾驶等领域发挥着重大作用。本文将介绍如何通过OpenCV实现简单的目标检测。

环境准备

创建并进入虚拟环境

conda create -n opencv python=3.9
conda activate opencv

安装依赖

pip install opencv-python

下载其他文件

链接:https://pan.baidu.com/s/1nW_WE6PqIEmY78gnjmhE7Q
提取码:4d5o
网盘中包含coco.names、权重文件和配置文件
coco.nams包含了一些常见的目标,如

person
bicycle
car
motorcycle
airplane
bus
train
truck
boat
traffic light

图像目标检测

cv2.dnn_DetectionModel()

定义目标检测模型,并可设置权重文件和配置文件

cv2.dnn_DetectionModel(weightsPath,configPath)

net.detect()

进行目标检测

classIds, confs, bbox = net.detect(img, confThreshold=0.5)

cv2.rectangle()

绘制矩形

cv2.rectangle(img, box, color=(0, 255, 0), thickness=2)

cv2.putText()

添加文字

cv2.putText(image, text, (5,50 ), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 0, 255), 2)
参数说明:

  • 图片
  • 要添加的文字
  • 文字添加的位置
  • 字体
  • 字体大小
  • 字体颜色
  • 字体粗细
import cv2

classNames = []
classFile = 'coco.names'
with open(classFile,'rt') as f:
    classNames = f.read().rstrip('\n').split('\n')

# print(classNames)
configPath = 'ssd_mobilenet_v3_large_coco_2020_01_14.pbtxt'
weightsPath = 'frozen_inference_graph.pb'

net = cv2.dnn_DetectionModel(weightsPath,configPath)
net.setInputSize(320,320)
net.setInputScale(1.0/ 127.5)
net.setInputMean((127.5, 127.5, 127.5))
net.setInputSwapRB(True)

img = cv2.imread('1.jpg')

classIds, confs, bbox = net.detect(img, confThreshold=0.5)
# print(classIds, bbox)
for classId, confidence, box in zip(classIds.flatten(), confs.flatten(), bbox):
    cv2.rectangle(img, box, color=(0, 255, 0), thickness=2)
    cv2.putText(img, classNames[classId - 1].upper(), (box[0] + 10, box[1] + 30),
                cv2.FONT_HERSHEY_COMPLEX, 1, (0, 255, 0), 2)  

cv2.imshow('res', img)
cv2.waitKey(0)

摄像头实时目标检测

除了对图像进行目标检测,OpenCV也可以开启摄像头进行实时目标检测。

cv2.VideoCapture()

开启摄像头
cv2.VideoCapture(0):开启笔记本自带摄像头
cv2.VideoCapture(1):开启USB摄像头

import cv2

thres = 0.45 # Threshold to detect object

cap = cv2.VideoCapture(1)
cap.set(3,1280)
cap.set(4,720)
cap.set(10,70)

classNames= []
classFile = 'coco.names'
with open(classFile,'rt') as f:
    classNames = f.read().rstrip('\n').split('\n')

configPath = 'ssd_mobilenet_v3_large_coco_2020_01_14.pbtxt'
weightsPath = 'frozen_inference_graph.pb'

net = cv2.dnn_DetectionModel(weightsPath,configPath)
net.setInputSize(320,320)
net.setInputScale(1.0/ 127.5)
net.setInputMean((127.5, 127.5, 127.5))
net.setInputSwapRB(True)

while True:
    success,img = cap.read()
    classIds, confs, bbox = net.detect(img,confThreshold=thres)
    print(classIds,bbox)

    if len(classIds) != 0:
        for classId, confidence,box in zip(classIds.flatten(),confs.flatten(),bbox):
            cv2.rectangle(img,box,color=(0,255,0),thickness=2)
            cv2.putText(img,classNames[classId-1].upper(),(box[0]+10,box[1]+30),
                        cv2.FONT_HERSHEY_COMPLEX,1,(0,255,0),2)
            cv2.putText(img,str(round(confidence*100,2)),(box[0]+200,box[1]+30),
                        cv2.FONT_HERSHEY_COMPLEX,1,(0,255,0),2)

    cv2.imshow("Output",img)
    cv2.waitKey(1)  
  • 4
    点赞
  • 54
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: cv2.dnn_detectionmodel是OpenCV中的一个类,用于实现基于深度学习的目标检测模型。它可以加载预训练的模型,对输入图像进行检测,并输出检测结果。该类支持多种目标检测算法,如SSD、YOLO等。 ### 回答2: cv2.dnn_detectionmodel是OpenCV库中的一个模块,用于实现物体检测和识别任务。它采用深度学习算法,可以处理各种类型的图像数据,并能够识别图像中出现的物体及其位置。 cv2.dnn_detectionmodel的主要特点包括以下三个方面: 1. 高效、准确的物体检测:cv2.dnn_detectionmodel采用最新的深度学习算法,能够在大规模图像数据集上进行快速、准确的物体检测。它基于预训练的模型,自动提取图像特征并进行分类,从而精准地识别图像中的物体。 2. 灵活的模型配置:cv2.dnn_detectionmodel支持多种深度学习模型(如Faster R-CNN、YOLO、SSD等),用户可以根据自己的需求选择合适的模型进行物体检测。此外,cv2.dnn_detectionmodel还支持模型参数的定制,用户可以根据自己的需求调整模型的各种参数,从而获得更好的检测性能。 3. 跨平台支持:cv2.dnn_detectionmodel可以运行在各种不同的计算机平台上,包括Windows、Linux、Mac OS等。它支持各种主流的编程语言(如Python、C++等),可以方便地与其他工具和系统进行集成,从而实现自动化的物体检测和识别任务。 总之,cv2.dnn_detectionmodel是一款高效、准确、灵活、跨平台的物体检测工具,可以帮助用户快速实现各种类型的图像识别任务。 ### 回答3: cv2.dnn_detectionmodel是OpenCV中的一个深度学习模块,用于对象检测任务。该模块利用深度学习的强大能力,可以在图像或视频中自动检测出各种对象,如人脸、车辆、行人等。 其基本流程如下: 1. 加载预训练模型:cv2.dnn_detectionmodel支持加载各种深度学习模型,如caffe、TensorFlow等。用户可以根据具体需要选择相应的模型。 2. 输入图像或视频:cv2.dnn_detectionmodel支持从图像、视频流或摄像头输入图像。 3. 对图像进行预处理:由于不同模型对输入图像的要求不同,用户需要根据具体模型进行相应的图像预处理,如归一化、大小调整等。 4. 进行对象检测:利用加载的模型,对输入图像进行对象检测。对象检测的结果包括对象的位置、大小和置信度等。 5. 输出结果:将对象检测的结果输出到屏幕、文本文件或数据库等。 cv2.dnn_detectionmodel具有以下特点: 1. 高效性:利用GPU加速,可以快速进行对象检测。 2. 灵活性:支持加载多种深度学习模型,并可以适应不同尺寸和形状的图像输入。 3. 精度高:通过利用深度学习的自适应能力,可以对各种复杂环境下的对象进行准确的检测。 4. 易用性:OpenCV是一个广泛应用的计算机视觉库,采用cv2.dnn_detectionmodel进行对象检测,可以方便的集成到各种应用程序中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值