用C++ 和OpenCV 实现视频目标检测（YOLOv4模型）_opencv dnn yolov4 c++

据说，现在很多小区都上线了AI抓拍高空抛物的黑科技，可以自动分析抛物轨迹，用来协助检查很多不文明行为。

你想不想知道，这类检测视频中目标物的黑科技是怎么实现的呢？

虽然不同场景下的目标检测模型训练不同，但底层技术都是一样的。

这里就一步步来教一下大家如何用C++ 和OpenCV 实现视频目标检测（YOLOv4模型）。

1.     实现思路

读取视频流，载入模型，执行推理，找出所有目标及其位置，最后绘制检测结果。

2.     实现步骤

读取摄像头视频流或本地视频文件：

cv::VideoCapture cap;cap.open(0); //打开摄像头//cap.open("TH1.mp4"); //读取视频文件

载入模型：​​​​​​​

cv::dnn::Net net = cv::dnn::readNet(config, model, framework);net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);

执行推理：

net.forward(outs, outNames); //前向传播

找出所有目标及其位置：​​​​​​​​​​​​​​​​​​​​​

for (size_t i = 0; i < outs.size(); ++i) {     data = (float*)outs[i].data;     for (int j = 0; j < outs[i].rows; ++j, data += outs[i].cols)     {         scores = outs[i].row(j).colRange(5, outs[i].cols);         cv::minMaxLoc(scores, 0, &confidence, 0, &classIdPoint);

绘制检测结果：​​​​​​​

void drawPred(    cv::Mat &frame,    vector<cv::Rect> &boxes,    vector<int> &classIds,    vector<int> &indices,    vector<string> &classNamesVec)

 

（a）测试图1YOLOv4

（b）测试图1YOLOv4-tiny

（c）测试图2YOLOv4

（d）测试图2YOLOv4-tiny

图 YOLOv4与YOLOv4-tiny模型的检测结果

3.     总结

YOLOv4的检测精度优于YOLOv4-tiny。经GPU 加速后，模型推理速度明显提升，YOLOv4 的推理速度提高了约10倍，YOLOv4-tiny的推理速度提高了约4.8倍。

▼

若想了解更多关于视频检测或文本检测的内容，可以阅读《OpenCV 4机器学习算法原理与编程实战》一书。

 

▊《OpenCV 4机器学习算法原理与编程实战》

朱斌 著

• 注重理论结合实战

• 兼顾经典与前沿算法

• 应用案例翔实

• 学习路线清晰

本书主要面向OpenCV领域的研究与开发人员，采用原理结合实战的方式，介绍OpenCV 4的机器学习算法模块与深度神经网络模块中的核心算法原理与C++编程实战。全书共10章， 第1~3章， 介绍OpenCV 4的基础知识、基本图像操作和机器学习基础知识；第4~8章，介绍K-means、KNN、决策树、随机森林、Boosting算法和支持向量机等机器学习算法与编程实战；第9~10章，介绍神经网络与深度神经网络的基本原理与编程实战，并提供了不同深度学习模型的部署示例代码。

本书基本聚焦于机器学习在计算机视觉领域的应用，不要求读者具有相应的知识背景，在必要时书中会介绍相关的基本概念。因此，本书既可以作为相关专业学生的实验教材，也可以作为研究人员或工程技术人员的参考资料。