ros lidar 物体检测分割目标跟踪 ros图像识别

转载

mob64ca13f6bbea 2024-08-08 16:52:40

文章标签 opencv #include OpenCV 动态链接库 文章分类 计算机视觉人工智能

由于项目需要，需要在指定位置和时刻调用yolov4进行识别，其余时间不需要识别。因此参考网上的教程，自己改写了ros下对yolov4的调用，并写成了单独的功能包，可以通过接收话题的形式触发网络进行识别，移植性强。运行环境： ubuntu16.04 ros kinetic opencv2.4.10（项目需要）无gpu，纯cpu运行项目开始首先先把yolov4的darknet下载下来

git clone https://github.com/AlexeyAB/darknet.git

进入该文件夹

cd darknet

里面有一个Makefile文件，打开后在开头位置那里把opencv和libso置为1，其余不动

GPU=0
CUDNN=0
CUDNN_HALF=0
OPENCV=1
AVX=0
OPENMP=0
LIBSO=1
ZED_CAMERA=0
ZED_CAMERA_v2_8=0

由于没用到GPU，所以修改完后直接运行了 make，注意提前把yolov4.weights权重文件下载到darknet根目录下，这个网上比较多，大家自行找一下。

make

编译完成后可以直接在当前终端执行以下指令进行验证

./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

纯CPU运行有点慢，我在虚拟机跑是22s左右，如果出现结果就证明可以使用了。

现在开始制作自己的功能包，这部分教程代码参考了这篇博文，然后写成了ros的一个功能包，方便直接使用。这里需要几个文件： 1、刚才编译成功后在darknet文件夹下会出现libdarknet.so文件、 2、darknet/include下面有yolo_v2_class.hpp文件 3、coco.names、yolov4.cfg、yolov4.weights这三个文件，（在darknet目录下搜索一下就找到了）。

开始新建功能包我在ros下用roboware进行代码编写，这个IDE会自动生成cmakelist文件，比较方便。首先新建功能包 ros_yolo_cpp 1、然后在功能包下新建include文件夹，存放yolo_v2_class.hpp 2、新建cfg文件夹，存放coco.names、yolov4.cfg、yolov4.weights这三个文件 3、新建lib文件夹，存放动态链接库libdarknet.so文件 4、新建src文件，并在src里面新建cpp文件，开始写代码。文件名为ros_yolo_cpp_node.cpp 5、修改Cmakelist文件夹 5.1、首先在开头那里取消c++11的注释 5.2、find_package()这里添加一些常用的依赖。主要是OpenCV得有。 roscpp pcl_ros sensor_msgs std_msgs OpenCV image_transport cv_bridge 5.3、include_directories()这里添加opencv的路径 ${OpenCV_INCLUDE_DIRS} 5.4、添加动态链接库的路径，这里我用的是绝对路径 link_directories(/home/gmq/catkin_ws/src/ros_yolo_cpp/lib) 5.5、add_executable()这里把用到的文件名字写出来 add_executable(ros_yolo_cpp_node src/ros_yolo_cpp_node.cpp include/yolo_v2_class.hpp ) 5.6、target_link_libraries()这里添加opencv的库，以及刚才的动态链接库 target_link_libraries(ros_yolo_cpp_node ${catkin_LIBRARIES} ${OpenCV_LIBRARIES} darknet )注意：原来的动态链接库名字是libdarknet.so，这里要把lib和.so去掉。

6、开始真正写代码这里参考了别人的代码，进行了一部分修改，主要是对图片进行处理。完整代码如下：

#include <ros/ros.h>
#include<string>
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <vector>
#include <fstream>
#include <sys/time.h>
#include<sensor_msgs/image_encodings.h>
#include<std_msgs/Header.h>
#include<cv_bridge/cv_bridge.h>
#include<iostream>

#include "yolo_v2_class.hpp"

using namespace std;
using namespace cv;

bool e=true;
static ros::Subscriber image_sub;
static ros::Publisher detect_pub;

string classesFile = "./yolo/coco.names";
string modelConfig = "./yolo/yolov4.cfg";
string modelWeights = "./yolo/yolov4.weights";
//加载网络模型，0是指定第一块GPU
Detector detector(modelConfig, modelWeights, 0);


//画出检测框和相关信息
void DrawBoxes(Mat &frame, vector<string> classes, int classId, float conf, int left, int top, int right, int bottom)
{
	//画检测框
	rectangle(frame, Point(left, top), Point(right, bottom), Scalar(255, 178, 50), 3);
	//该检测框对应的类别和置信度
	string label = format("%.2f", conf);
	if (!classes.empty())
	{
		CV_Assert(classId < (int)classes.size());
		label = classes[classId] + ":" + label;
	}
	//将标签显示在检测框顶部
	int baseLine;
	Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
	top = max(top, labelSize.height);
	rectangle(frame, Point(left, top - round(1.5*labelSize.height)), Point(left + round(1.5*labelSize.width), top + baseLine), Scalar(255, 255, 255), FILLED);
	putText(frame, label, Point(left, top), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 0), 1);
}


//画出检测结果
void Drawer(Mat &frame, vector<bbox_t> outs, vector<string> classes)
{
	//获取所有最佳检测框信息
	for (int i = 0; i < outs.size(); i++)
	{
		DrawBoxes(frame, classes, outs[i].obj_id, outs[i].prob, outs[i].x, outs[i].y,
			outs[i].x + outs[i].w, outs[i].y + outs[i].h);
	}
}


void image_callback(const sensor_msgs::ImageConstPtr &in_image)
{
	if(e==true)
	{
		e=false;
		struct timeval tv1,tv2;
		long long T;
	
		//image -->mat
		cv_bridge::CvImagePtr frame;
		frame=cv_bridge::toCvCopy(in_image,sensor_msgs::image_encodings::BGR8);
		gettimeofday(&tv1,NULL);
		/* //Mat图像转为yolo输入格式
		shared_ptr<image_t> detImg = detector.mat_to_image_resize(frame->image);
		//前向预测
		vector<bbox_t> outs = detector.detect_resized(*detImg, frame->image.cols, frame->image.rows, 0.25);
		// 以上{}内的代码可以用 
		*/
		vector<bbox_t> outs = detector.detect(frame->image, 0.25);
		
		//加载类别名
		vector<string> classes;
		ifstream ifs(classesFile.c_str());
		string line;
		while (getline(ifs, line)) classes.push_back(line);
		
		//画图
		Drawer(frame->image, outs, classes);
		gettimeofday(&tv2,NULL);
	
		T=(tv2.tv_sec - tv1.tv_sec)*1000 + (tv2.tv_usec -tv1.tv_usec)/1000;
		cout<<T<<"ms"<<endl;

		detect_pub.publish(frame->toImageMsg());
	}
	else
	{
		cout<<"error is true"<<endl;	
	}
}



int main(int argc,char**argv)
{
	ros::init(argc,argv,"ros_yolo_cpp");
	ros::NodeHandle nh;

	detect_pub=nh.advertise<sensor_msgs::Image>("detect_img",1);
	image_sub=nh.subscribe("/src_image",1,image_callback);

	ros::spin();
	return 0;
}

注意：根据自己路径对coco.names这些的读入路径进行修改，以及读取图片和存放结果的路径。修改完后即可在工作空间下使用catkin_make进行编译了。编译遇到的问题：编译时一直提示我mat_to_image_resize函数不是detector的函数，我去查看yolo_v2_class.hpp文件，发现`mat_to_image_resize函数是定义在

#ifdef OPENCV


#endif  //OPENCV

之间，没太懂这里的意思，所以就把yolo_v2_class.hpp文件里面的这两句 ifdef 和endif注释掉了。注释之后再次catkin_make就通过了。希望能有大佬解释一下，不胜感激！然后运行

roscore
rosrun ros_yolo_cpp ros_yolo_cpp_node

即可在输出路径下查看到识别结果。

若要更换 yolo-fastest 方法进行识别，速度快。 1、首先把yolo-fastest的makefile修改，编译生成新的.so文件，然后进行lib下的替换； 2、再把之前的coco.names、yolov4.cfg、yolov4.weights三个文件进行替换：把yolo-fastest下data下的voc.names 替换coco.names，把VOC下的yolo-fastest-xl.weights 和 yolo-fastest-xl.cfg 替换yolov4.cfg、yolov4.weights。在代码中修改一下路径，即可进行重新使用。

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。