目录

环境配置

头文件-quickopencv.h

源文件-quickdemo.cpp

1.dnn::readNetFromTensorflow()

2. dnn::blobFromImage()

3. Mat detectionMat

源文件-test.cpp

环境配置

以下代码来自B站贾志刚老师，直接运行不通，做了小小小修改


头文件-quickopencv.h

#pragma once
#include <opencv2/opencv.hpp>

using namespace cv;

class QuickDemo {
public:
	void face_detection_demo();
};

源文件-quickdemo.cpp

1.dnn::readNetFromTensorflow()

   模型导入与加载的相关API支持以下深度学习框架：

  • tensorflow - readNetFromTensorflow
  • caffe - readNetFromCaffe
  • pytorch - readNetFromTorch
  • darknet - readNetFromDarknet

    本次代码调用的tensorflow框架：

cv2::dnn::readNetFromTensorflow(pbmodel, pbtxt) 函数直接调用 TensorFlow 训练的目标检测模型.

2. dnn::blobFromImage()

函数：cv2::dnn::blobFromImage(image, scalefactor, size, mean, swapRB, crop, ddepth)
作用：
输入图像转换为模型的标准输入，对图像进行预处理，包括减均值，比例缩放，裁剪，交换通道等，返回一个4通道的blob(blob可以简单理解为一个N维的数组，用于神经网络的输入)

参数：
image:输入图像（1、3或者4通道）
    可选参数

scalefactor:图像各通道数值的缩放比例
size:输出图像的空间尺寸,如size=(200,300)表示高h=300,宽w=200
mean:用于各通道减去的值，以降低光照的影响(e.g. image为bgr3通道的图像，mean=[104.0, 177.0, 123.0],表示b通道的值-104，g-177,r-123)
swapRB:交换RB通道，默认为False.(cv2.imread读取的是彩图是bgr通道)
crop:图像裁剪,默认为False.当值为True时，先按比例缩放，然后从中心裁剪成size尺寸
ddepth:输出的图像深度，可选CV_32F 或者 CV_8U.

3. Mat detectionMat

Mat detectionMat是输入图像后经过网络前向传播后的输出的结果矩阵，

如果对象检测网络是SSD/RCNN/Faster-RCNN，输出的是N*7模式，所以其解析方式如下

Mat detectionMat(out.size[2],out.size[3],CV_32F,out.ptr<float>())
其中7表示七列输出，第一列表示下标，第二列表示分类标签，第三列表示置信度，第四列至第七列表示box的坐标位置。

#include "quickopencv.h"
#include <opencv2/dnn.hpp>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

void QuickDemo::face_detection_demo() {
	dnn::Net net = dnn::readNetFromTensorflow("D:\\opencv\\opencv\\sources\\samples\\dnn\\face_detector\\opencv_face_detector_uint8.pb",
		 "D:\\opencv\\opencv\\sources\\samples\\dnn\\face_detector\\opencv_face_detector.pbtxt");
	VideoCapture capture("C:/Users/zhaoliuliu/Pictures/Camera Roll/test1.mp4");
	Mat frame;
	while (true) {
		capture.read(frame);
		if (frame.empty()) {
			break;
		}
		Mat blob = dnn::blobFromImage(frame, 1.0, Size(300, 300), Scalar(104, 177, 123), false, false);
		net.setInput(blob);// NCHW
		Mat probs = net.forward(); // 
		Mat detectionMat(probs.size[2], probs.size[3], CV_32F, probs.ptr<float>());
		// 解析结果
		for (int i = 0; i < detectionMat.rows; i++) {
			float confidence = detectionMat.at<float>(i, 2);
			if (confidence > 0.5) {
				int x1 = static_cast<int>(detectionMat.at<float>(i, 3) * frame.cols);//后面四列表示box的四个坐标位置
				int y1 = static_cast<int>(detectionMat.at<float>(i, 4) * frame.rows);//坐标值是浮点数的比率,需要转换成像素坐标
				int x2 = static_cast<int>(detectionMat.at<float>(i, 5) * frame.cols);
				int y2 = static_cast<int>(detectionMat.at<float>(i, 6) * frame.rows);
				Rect box(x1, y1, x2 - x1, y2 - y1);
				rectangle(frame, box, Scalar(0, 0, 255), 2, 8, 0);
			}
		}
		imshow("人脸检测演示", frame);
		int c = waitKey(1);
		if (c == 27) { // 退出
			break;
		}
	}
}

源文件-test.cpp

#include <opencv2/opencv.hpp>
#include "quickopencv.h"
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	QuickDemo qd;
	qd.face_detection_demo();

	waitKey(0);
	destroyAllWindows();
	return 0;
}

结果

运行输出结果 

opencv部署yolov5的dnn模型python_dnn