图像识别，如何开始

Question

作为我的理学学士学位论文的一部分，我必须在视频源上使用图像识别。

我已将 openCV 和 Tensorflow（特别是 Inception 训练模型）确定为两个选项，但我不知道如何从那里继续。基本上我需要传递一个字符串，例如“keys”，如果前 5 个结果之一是“keys”，则返回一个布尔值。

顺便提一下，我在网上做了一个 Python 课程，因为两者都使用 Python。此外，我在 Java 方面也有相当扎实的经验，过去两年我们在大学里一直在使用它。

请注意，我确实不需要创建一个全新的图像识别系统，我需要使用一个来告诉我我的相机看到了什么。

此外，虽然它是视频，但我认为处理实际的视频源会更加困难。我的想法是从 30 帧中挑出 1 帧（假设视频输入为 30fps）并在其上运行图像识别。

提前致谢！

Answer 1

如果您通读this tutorial，特别是“使用 Python API”部分，您的项目应该相当简单。 classify_image.py 产生的前 N ​​个结果在此代码块中转换为人类可读的文本 here：

top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    score = predictions[node_id]
    print('%s (score = %.5f)' % (human_string, score))

对于您的示例，您希望将 FLAGS.num_top_predictions 设置为 5，并且您希望累积前 5 个 human_string 值，如下所示：

top_k_strings = []
top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    top_k_strings.append(human_string)
    score = predictions[node_id]
    print('%s (score = %.5f)' % (human_string, score))

最后，您可以检查“keys”是否是 imagenet 生成的前 5 个字符串之一，并返回一个布尔值作为

return "keys" in top_k_strings

此外，如果您对人类可读类别的完整列表感兴趣，您可以找到它们here

关于视频，您可能是对的，您必须对视频序列进行二次采样以跟上帧速率。一些实验和时序测试会让您了解所需的二次采样率。

祝你好运！