AI社交距离检测器：在视频帧中进行目标检测_专栏

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。