如何實(shí)現(xiàn)深度學(xué)習(xí)OpenCV對(duì)象檢測(cè)中的Faster-RCNN圖片識(shí)別

本篇文章給大家分享的是有關(guān)如何實(shí)現(xiàn)深度學(xué)習(xí)OpenCV對(duì)象檢測(cè)中的Faster-RCNN圖片識(shí)別，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

Faster-RCNN圖片識(shí)別

Faster-RCNN對(duì)象檢測(cè)算法是R-CNN對(duì)象檢測(cè)的第三個(gè)版本算法，其前面還有Fast-RCNN與RCNN算法，由于R-CNN無(wú)法實(shí)現(xiàn)End-to-End訓(xùn)練，F(xiàn)ast R-CNN Selective Search耗時(shí)比較長(zhǎng)等原因，作者在此2版的基礎(chǔ)上，更新到了Faster-RCNN對(duì)象檢測(cè)算法。

對(duì)象檢測(cè)

從下方結(jié)構(gòu)圖可以看出：Faster-RCNN對(duì)象檢測(cè)算法將特征提取、proposal提取、Bounding Box Regression、Classification整合到一個(gè)網(wǎng)絡(luò)中，對(duì)象檢測(cè)速度不僅有了提示還避免了前2個(gè)版本的缺點(diǎn)。

Faster R-CNN

Faster R-CNN對(duì)象檢測(cè)流程：

1、特征提取(convolutional layer)：Faster R-CNN使用卷積+relu+pooling池化層提取被檢測(cè)對(duì)象的特征。

2、區(qū)域預(yù)測(cè)網(wǎng)絡(luò)(Region Proposal Network)：RPN通過(guò)softmax函數(shù)判斷錨點(diǎn)(anchors)屬于某個(gè)特征，再利用邊界框回歸(bounding box regression)修正anchors獲得精確的對(duì)象檢測(cè)值。

3、目標(biāo)區(qū)池化(Roi Pooling)：收集輸入的特征數(shù)據(jù)和候選目標(biāo)區(qū)域，利用此層信息提取目標(biāo)區(qū)域特征數(shù)據(jù)，然后全連接層識(shí)別圖片。

4、分類(Classification)：利用目標(biāo)區(qū)域特征數(shù)據(jù)計(jì)算太識(shí)別圖片，同時(shí)利用邊界框回歸獲得對(duì)象檢測(cè)的精確位置。

Faster R-CNN流程圖

如何來(lái)實(shí)現(xiàn)Faster R-CNN，以及Faster R-CNN的具體工作是如何實(shí)現(xiàn)的，小編也參考了很多網(wǎng)友的源碼，無(wú)奈代碼量太大（少的也得幾千行），我們前期分享了如何使用opencv與MobileNet SSD的圖像識(shí)別以及視頻實(shí)時(shí)識(shí)別

MobileNet SSD視頻流實(shí)時(shí)識(shí)別

MobileNet SSD圖像識(shí)別

同樣使用opencv也可以來(lái)實(shí)現(xiàn)Faster R-CNN的對(duì)象檢測(cè)算法，很多代碼都比較類似，小伙伴們也可以參考往期文章

使用OpenCV進(jìn)行基于Faster R-CNN深度學(xué)習(xí)的對(duì)象檢測(cè)

Faster R-CNN prototxt 與Faster R-CNN model模型已經(jīng)共享：

回復(fù)：RCNN 即可領(lǐng)取

模型一共2種：

faster_rcnn_inception_v2與faster_rcnn_resnet50，2種模型是在不同的訓(xùn)練集上訓(xùn)練的數(shù)據(jù)，其中faster_rcnn_inception_v2模型較小，速度較快，本期按照此模型來(lái)搭建對(duì)象檢測(cè)，其faster_rcnn_resnet50模型跟faster_rcnn_inception_v2模型的代碼完全一致，只是修改一下模型的路徑便可

在本節(jié)中，我們將使用 OpenCV中的深度神經(jīng)網(wǎng)絡(luò)（ dnn）模塊與Faster R-CNN prototxt 與Faster R-CNN model來(lái)構(gòu)建我們的對(duì)象檢測(cè)器

1、模型以及第三方庫(kù)

模型以及第三方庫(kù)

首先導(dǎo)入模型以及模型參數(shù)，若使用faster_rcnn_resnet50模型， 12 、13行直接修改為faster_rcnn_resnet50模型的相對(duì)地址

2、定義模型識(shí)別類型

定義模型識(shí)別類型

Faster R-CNN模型相比SSD來(lái)說(shuō)，能夠識(shí)別的種類，豐富了很多，大概有100個(gè)種類，幾乎包含了生活中所能涉及的種類，當(dāng)然，若你有強(qiáng)大的數(shù)據(jù)支撐，也可以來(lái)訓(xùn)練自己的模型（后期分享如何來(lái)訓(xùn)練自己的模型）

3、opencv建立神經(jīng)網(wǎng)絡(luò)

opencv建立神經(jīng)網(wǎng)絡(luò)

對(duì)比51 、52行可以知道，SSD模型是在caffe上訓(xùn)練的模型，而Faster R-CNN模型是tensorflow上訓(xùn)練的模型，但是強(qiáng)大的opencv庫(kù)使用dnn函數(shù)就能很方便的加載預(yù)訓(xùn)練模型，且可以對(duì)比看出，其模型與參數(shù)文件前后有區(qū)別

4、計(jì)算blob，進(jìn)行神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

計(jì)算blob，進(jìn)行神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

獲取圖片的長(zhǎng)寬參數(shù)，重新調(diào)整圖片長(zhǎng)寬為300*300，來(lái)進(jìn)行圖片blob的計(jì)算，然后blob傳入神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行計(jì)算，使用前向傳播來(lái)預(yù)測(cè)圖片

5、遍歷預(yù)測(cè)值，提取設(shè)置閾值的對(duì)象

遍歷預(yù)測(cè)值，提取設(shè)置閾值的對(duì)象

以上就是如何實(shí)現(xiàn)深度學(xué)習(xí)OpenCV對(duì)象檢測(cè)中的Faster-RCNN圖片識(shí)別，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注億速云行業(yè)資訊頻道。