使用 OpenCV 和 Python 对实时视频流进行深度学习目标检测是非常简单的，我们只需要组合一些合适的代码，接入实时视频，随后加入原有的目标检测功能。
在本文中我们将学习如何扩展原有的目标检测项目，使用深度学习和 OpenCV 将应用范围扩展到实时视频流和视频文件中。这个任务会通过 VideoStream 类来完成。
- 深度学习目标检测教程：http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/
- VideoStream 类教程：http://www.pyimagesearch.com/2016/01/04/unifying-picamera-and-cv2-videocapture-into-a-single-class-with-opencv/
现在，我们将开始把深度学习+目标检测的代码应用于视频流中，同时测量 FPS 处理速度。
使用深度学习和 OpenCV 进行视频目标检测
为了构建基于 OpenCV 深度学习的实时目标检测器，我们需要有效地接入摄像头/视频流，并将目标检测应用到每一帧里。
首先，我们打开一个新文件，将其命名为 real_time_object_detection.py，随后加入以下代码：
我们从第 2-8 行开始导入封包。在此之前，你需要 imutils 和 OpenCV 3.3。在系统设置上，你只需要以默认设置安装 OpenCV 即可(同时确保你遵循了所有 Python 虚拟环境命令)。
Note：请确保自己下载和安装的是 OpenCV 3.3(或更新版本)和 OpenCV-contrib 版本(适用于 OpenCV 3.3)，以保证其中包含有深度神经网络模块。
下面，我们将解析这些命令行参数：
与此前的目标检测项目相比，我们不需要图像参数，因为在这里我们处理的是视频流和视频——除了以下参数保持不变：
- --prototxt：Caffe prototxt 文件路径。
- --model：预训练模型的路径。
- --confidence：过滤弱检测的最小概率阈值，默认值为 20%。
随后，我们初始化类列表和颜色集：
在第 22-26 行，我们初始化 CLASS 标签，和相应的随机 COLORS。有关这些类的详细信息(以及网络的训练方式)，请参考：http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/
现在，我们加载自己的模型，并设置自己的视频流：
我们加载自己的序列化模型，提供对自己的 prototxt 和模型文件的引用(第 30 行)，可以看到在 OpenCV 3.3 中，这非常简单。
下一步，我们初始化视频流(来源可以是视频文件或摄像头)。首先，我们启动 VideoStream(第 35 行)，随后等待相机启动(第 36 行)，***开始每秒帧数计算(第 37 行)。VideoStream 和 FPS 类是 imutils 包的一部分。
现在，让我们遍历每一帧(如果你对速度要求很高，也可以跳过一些帧)：
首先，我们从视频流中读取一帧(第 43 行)，随后调整它的大小(第 44 行)。由于我们随后会需要宽度和高度，所以我们在第 47 行上进行抓取。随后将 frame 转换为一个有 dnn 模块的 blob(第 48 行)。
现在，我们设置 blob 为神经网络的输入(第 52 行)，通过 net 传递输入(第 53 行)，这给我们提供了 detections。
这时，我们已经在输入帧中检测到了目标，现在是时候看看置信度的值，以判断我们能否在目标周围绘制边界框和标签了：
我们首先在 detections 内循环，记住一个图像中可以检测到多个目标。我们还需要检查每次检测的置信度(即概率)。如果置信度足够高(高于阈值)，那么我们将在终端展示预测，并以文本和彩色边界框的形式对图像作出预测。让我们逐行来看一下：
- 在 detections 内循环，首先我们提取 confidence 值(第 59 行)。
- 如果 confidence 高于***阈值(第 63 行)，那么我们提取类标签索引(第 67 行)，并计算检测到的目标的坐标(第 68 行)。
- 然后，我们提取边界框的 (x, y) 坐标(第 69 行)，之后将用于绘制矩形和文本。
- 我们构建一个文本 label，包含 CLASS 名称和 confidence(第 72、73 行)。
- 我们还要使用类颜色和之前提取的 (x, y) 坐标在物体周围绘制彩色矩形(第 74、75 行)。
- 通常，我们希望标签出现在矩形上方，但是如果没有空间，我们将在矩形顶部稍下的位置展示标签(第 76 行)。
- ***，我们使用刚才计算出的 y 值将彩色文本置于帧上(第 77、78 行)。
帧捕捉循环剩余的步骤还包括：(1)展示帧;(2)检查 quit 键;(3)更新 fps 计数器：
上述代码块简单明了，首先我们展示帧(第 81 行)，然后找到特定按键(第 82 行)，同时检查「q」键(代表「quit」)是否按下。如果已经按下，则我们退出帧捕捉循环(第 85、86 行)。***更新 fps 计数器(第 89 行)。
如果我们退出了循环(「q」键或视频流结束)，我们还要处理这些：
当我们跳出(exit)循环，fps 计数器 停止(第 92 行)，每秒帧数的信息向终端输出(第 93、94 行)。
我们关闭窗口(第 97 行)，然后停止视频流(第 98 行)。
如果你到了这一步，那就可以做好准备用自己的网络摄像头试试看它是如何工作的了。我们来看下一部分。
实时深度学习目标检测的结果
为了实时深度学习目标检测器正常运行，确保你使用本指南「Downloads」部分中的示例代码和预训练的卷积神经网络。(请打开原文链接，进入「Downloads」部分，输入自己的邮箱地址，获取所需代码和其他资料。)
打开终端，执行下列命令：
如果 OpenCV 能够访问你的摄像头，你可以看到带有检测到的目标的输出视频帧。
注意深度学习目标检测器不仅能够检测到人，还能检测到人坐着的沙发和旁边的椅子——所有都是实时检测到的!
总结
今天的博客中，我们学习了如何使用深度学习 + OpenCV + 视频流来执行实时目标检测。我们通过下列两个教程完成了这一目标：
- 使用深度学习和 OpenCV 进行目标检测(http://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/)
- 在 OpenCV 上进行高效、线程化的视频流(http://www.pyimagesearch.com/2016/01/04/unifying-picamera-and-cv2-videocapture-into-a-single-class-with-opencv/)
最终结果是基于深度学习的目标检测器可以处理 6-8 个 FPS 的视频(当然，这也取决于你的系统速度)。
你还可以通过以下途径进一步提升速度：
- 跳过帧。
- 使用 MobileNet 的不同变体(速度更快，但是准确率下降)。
- 使用 SqueezeNet 的量子化变体(我还未对此进行测试，但是我想应该会更快，因为它的网络足迹更小)。
原文：
http://www.pyimagesearch.com/2017/09/18/real-time-object-detection-with-deep-learning-and-opencv/
【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
