YOLOv3使用Python接口进行视频目标检测
正因为YOLOv3检测速度快，进行对以前目标检测的速度上的优化;和上一篇博客类似，这次主要是对本地视频的加载–输入模型—结果帧中间输出—检测结果最后视频保存
目前对视频的检测的思路还是先对视频进行抽帧处理，将检测完的结果进行保存，最后通过照片合成视频（有序地）
对于darknet中.c、.h文件的修改，修改makefile再进行make clean，make的操作不再叙述。
在视频合成的时候，使用了ImagesToVideo子模块（在最开始import）
import matplotlib.image as mping
from ImagesToVideo import frameToVideo as f2v
这是因为在合成avi文件时候，刚开始没注意照片的尺寸：待检测照片大小[1280,720],经过opencv读取、检测输出保存的png只有[640,360],刚一开始我没太注意这里，一直在查找文件路径名、视频编码cv2.VideoWriter_fourcc的问题，还有就是python版的opencv只能合成avi格式而最开始我用的是windows下的mp4格式，最后发现是视频尺寸和源照片尺寸不一致，一个小时就那么浪费了。。。。
first_pic = mping.imread(video_temp_result+'/' + "3.png")#图片转为视频时候，注意照片的尺寸大小
size = tuple(first_pic.shape)
picvideo(video_temp_result, (size[1], size[0]))#照片合成视频
视频检测的main函数：
(读取原视频-抽帧–检测—存取检测结果png------合成avi视频文件)
net = load_net("/home/******/******/darknet/cfg/yolov3-voc.cfg","/home/******/******/darknet/backup/yolov3-voc_final.weights", 0)
meta = load_meta("/home/******/******/darknet/cfg/voc.data")
out_img = "/home/******/******/darknet/test_result.jpg"
video_tmp = "/home/******/******/darknet/data/video_tmp.jpg"
origin_video = '/home/******/******/darknet/video/41.mp4'
video_temp_result='/home/******/******/darknet/video_temp_result'
video_out = r"/home/******/******/darknet/video_out" + '/' + str(int(time.time())) +".avi" # 导出路径
cap = cv2.VideoCapture(origin_video)
scaling_factor = 0.5
count = 0
det_num = 0
while (cap.isOpened()):
ret, frame = cap.read()
if ret == True:
count = count + 1
else:
break
if count == 1:# 视频抽帧成图片时候fps count
count = 0
frame = cv2.resize(frame, None, fx=scaling_factor, fy=scaling_factor, interpolation=cv2.INTER_AREA)
img_arr = Image.fromarray(frame)
img_goal = img_arr.save(video_tmp)
r = detect(net, meta, video_tmp)
print r #存取检测结果 list类型
# display the rectangle of the objects in window
det_num = det_num + 1#检测照片计数
showPicResult(video_tmp,video_temp_result,det_num)#ubuntu系统显示opencv
else:
continue
# wait 1ms per iteration; press Esc to jump out the loop
c = cv2.waitKey(1)
if (c == 27) or (0xFF == ord('q')):
break
print '共检测照片个数：',det_num
cap.release()
完成测试
由于YOLOv3速度在大型机器上（本人是1080）能到达40fps左右，可以实现真正的实时，所有将输入改为实时摄像头视频流的输入，能够很好的检测出结果并进行存储，使得目标检测在实际应用中的速度大大得到了提高，只是通过加载本地视频进行测试，由于针对无人机角度，无法在此设备上直接测试摄像头视频流的检测，与官方给出的速度基本一致，接下来就该研究对ubuntu 1080机器上代码在TX2等跨平台移植了，才能使其应用到实际项目中（速度会因为nvidia硬件，检测速度会下降很多，但相比SSD，还是有着将近一倍的提升，10fps左右）
程序狗的人生就是由一个个项目最后期限dll组成，且活且珍惜