AI社交距离检测器：在视频帧中进行目标检测

上一篇文章AI社交距离检测器：基于TensorFlow和MobileNet的对象检测我们学习了如何使用绘图函数来标记检测到的对象。

在本文中，我们将继续学习如何使用AI人工智能来构建一个社交距离检测器。

在学习了如何使用TensorFlow和预先训练好的MobileNet模型之后，我们继续将我们的检测器与网络摄像机结合起来。学习完本文，您将了解如何在视频序列上运行对象检测，如下所示。

相机捕捉

我首先实现了Camera类，它帮助从网络摄像机捕获帧。为此，我使用OpenCV里面的VideoCapture类。获取默认摄像头的引用，并将其存储在camera_capture字段：

def __init__(self): # Initialize the camera capture try: self.camera_capture = opencv.VideoCapture(0) except expression as identifier: print(identifier)

若要捕获视频帧，请使用read方法VideoCapture类实例。它返回两个值：

status-表示捕获状态的布尔变量。 frame-用摄像机获取的实际帧。

要在使用视频帧之前检查状态，此外，在某些设备上，第一帧可能显示为空白。这个capture_frame方法的Camera类通过忽略第一个帧进行补偿，这取决于输入参数，如下所示：

def capture_frame(self, ignore_first_frame): # Get frame, ignore the first one if needed if(ignore_first_frame): self.camera_capture.read() (capture_status, current_camera_frame) = self.camera_capture.read() # Verify capture status if(capture_status): return current_camera_frame else: # Print error to the console print(Capture error)

类的一般使用流程。Camera类是调用初始化器一次，然后调用capture_frame视需要而定。

参考以前开发的模块

为了进一步发展，我们将使用先前开发的Inference类和ImageHelper类。为此，我们将引用这些模块。这些模块的源代码在上一篇文章中有解释。

为了参考这些模块，我修改了Main.py：

import sys sys.path.insert(1, ../Part_03/) from inference import Inference as model from image_helper import ImageHelper as imgHelper Now, we can easily access the object detector, and perform inference (object detection), even though the source files are in a different folder: # Load and prepare model model_file_path = ../Models/01_model.tflite labels_file_path = ../Models/02_labels.txt # Initialize model ai_model = model(model_file_path, labels_file_path) # Perform object detection score_threshold = 0.5 results = ai_model.detect_objects(camera_frame, score_threshold)

把东西放在一起

我们只需要从相机捕捉帧，并将其传递给AI模块：

import sys sys.path.insert(1, ../Part_03/) from inference import Inference as model from image_helper import ImageHelper as imgHelper from camera import Camera as camera if __name__ == “__main__”: # Load and prepare model model_file_path = ../Models/01_model.tflite labels_file_path = ../Models/02_labels.txt # Initialize model ai_model = model(model_file_path, labels_file_path) # Initialize camera camera_capture = camera() # Capture frame and perform inference camera_frame = camera_capture.capture_frame(False) score_threshold = 0.5 results = ai_model.detect_objects(camera_frame, score_threshold) # Display results imgHelper.display_image_with_detected_objects(camera_frame, results)

运行上述代码后，您将得到导言中所示的结果。

总结

我们开发了一个Python控制台应用程序，在视频序列帧中执行来自网络摄像头的对象检测。尽管这是一个单一的视频帧检测，但是您可以通过在循环中捕获和调用检测、连续显示视频流以及按需调用检测(例如，通过按键盘上的键)来扩展示例。下一篇文章将对测试数据集中的帧执行对象检测以及存储。