如何利用Tensorflow和OpenCV构建实时对象识别程序？
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
下面是正在运行的应用程序：
Google发布了新的TensorFlow对象检测API。第一版包含：
预先训练的模型（尤其是重点放在轻量模型上，以便它们可以在移动设备上运行）
Jupyter笔记本示例，其中包含一个已发布的型号
非常方便的脚本，可用于例如在您自己的数据集上对模型进行重新训练。
我们希望能充分理解这个新东西，并且花费一些时间来建立一个简单的实时对象识别演示。
首先，我们下载了TensorFlow模型库，然后查看了他们发布的注释。它基本上遍历了使用预训练模型的所有步骤。在他们的示例中，他们使用了“带有Mobilenet的SSD”模型，但是我们也可以在他们称为“ Tensorflow检测模型”的情况下下载其他一些经过预先训练的模型。这些模型是在COCO数据集上训练的，并随模型速度（慢速，中度和快速）和模型性能而变化。
接下来我们要做的是运行示例。该示例实际上有据可查。本质上，这就是它的作用：
导入所需的软件包，例如TensorFlow，PIL等。
定义一些变量，例如类别数，模型名称等。
下载模型（.pb — protobuf）并将其加载到内存中。
加载一些代码，例如标签转换器的索引。
通过两张图像测试代码。
注意：在运行示例之前，请注意查看设置说明。protobuf的编译部分尤其重要：
# From tensorflow/models/research/protoc object_detection/protos/*.proto --python_out=.然后，我们获取了他们的代码并进行了相应的修改：
删除模型下载部分
TensorFlow会话没有“ with”语句，因为这是一个巨大的消耗，尤其是当每次需要在每个流之后启动会话时
不需要PIL，因为OpenCV中的视屏流已经存在于numpy数组中（PIL也是非常大的消耗，特别是在将其用于读取图像时）
然后，我们使用OpenCV将其与网络摄像头连接。那里有许多示例解释了如何做到这一点，甚至是官方文档。
通常，许多OpenCV示例的实现并不是真正的最佳选择，例如，OpenCV中的某些功能受I/O限制。因此，我们不得不想出各种解决方案来解决此问题：
从网络摄像机读取帧会导致大量I/O。我们的想法是使用多处理库将这部分内容完全移到另一个Python进程中。关于Stackoverflow的一些解释为什么它不起作用，但我没有对此进行更深入的研究。在Adrian Rosebrock的网站“ pyimagesearch”上一个很好的示例，该示例使用线程代替，从而大大提高了我们的fps。
每次启动应用程序时，将冻结的模型加载到内存中都是很大消耗。而且我们已经为每次运行使用了一个TF会话，但这仍然很慢。在这种情况下，我们使用了多处理库将对象检测部分的繁重工作转移到多个进程中。应用程序的初始启动会很慢，因为每个进程都需要将模型加载到内存中并启动TF会话，但是在此之后，程序的并行性将极大提高运行效率。
注意：如果像我们在Mac OSX上使用OpenCV 3.1，则一段时间后OpenCV的VideoCapture可能会崩溃。如果已经存在问题，切换回OpenCV 3.0则可以解决此问题。