OpenCV--使用mobilenet进行目标检测（附源码）
最近在使用opencv做一些图像处理和检测的内容，今天主要讲一下基于mobilenet模型进行目标检测的一般流程。
部署环境：vs2017 +opencv3.3+C++
1、添加引用库和命名空间
添加我们所需要使用的dnn库，和相关依赖
#include
#include//opencv2的dnn模块
#include
using namespace std;
using namespace cv;
using namespace cv::dnn; 
2、指定模型文件和描述文件位置
cv::String model_bin_file = "D:/new_cv/opencv/sources/samples/data/dnn/MobileNetSSD_deploy.caffemodel";
cv::String model_txt_file = "D:/new_cv/opencv/sources/samples/data/dnn/MobileNetSSD_deploy.prototxt";
const char* classNames[] = { "background",
"aeroplane", "bicycle", "bird", "boat",
"bottle", "bus", "car", "cat", "chair",
"cow", "diningtable", "dog", "horse",
"motorbike", "person", "pottedplant",
"sheep", "sofa", "train", "tvmonitor" };3、输入待检测目标图片
接下来我们输入我们需要检测的图片，并验证可以访问
Mat src = imread("D:/test/test.jpg");
if (src.empty())
{
cout << "load image error" << endl;
return -1;
}
imshow("src", src);原始src：最喜欢的明星，哈哈哈哈
4、查看模型描述文件，确定图像width和height
对于定义好的caffemodel，我们在进行检测和训练的过程中，都要按模型的需要resize成目标大小，下面是样例的描述文件（deploy.prorotxt)的起始位置，data是我们输入的层级名称（后面会用到），
name: "MobileNet-SSD"
input: "data"
input_shape {
dim: 1
dim: 3
dim: 300
dim: 300
}
dim:1 ——表示对待识别样本进行数据增广的数量，该值的大小可自行定义。但一般会进行5次crop，将整幅图像分为多个flip。该值为10则表示会将待识别的样本分为10部分输入到网络进行识别。如果相对整幅图像进行识别而不进行图像数据增广，则可将该值设置为1.
dim:3 ——该值表示处理的图像的通道数，若图像为RGB图像则通道数为3，设置该值为3；若图像为灰度图，通道数为1则设置该值为1.
dim:300 ——图像的长度，可以通过网络配置文件中的数据层中的crop_size来获取。
dim:300——图像的宽度，可以通过网络配置文件中的数据层中的crop_size来获取。我们可以看到，该模型需要输入单个3通道的300*300的图像，因此，我们在程序中指定输入固定的width和height如下
const size_t width = 300;//const表示不能被修改
const size_t height = 300;//size_t 表示vector的下标类型，一般是sizeof(*)的返回值
const float scaleFector = 0.007843f;
const float meanVal = 127.5;5、初始化网络模型
常见初始化caffe网络模型接口有两种方法：
方法1）
Ptr importer;//智能指针的用法
try {
importer = dnn::createCaffeImporter(caffe_txt_file, caffe_bin_file);
}
catch (const cv::Exception &err)//Importer can throw error which we can catch
{
cerr << err.msg << endl;
}
Net net;
importer->populateNet(net);//填充网络
importer.release(); 这种方法：在opencv3.3 之前可以用，之后的版本，Importer被禁掉了，可以使用
方法2）
Net net = readNetFromCaffe(caffe_txt_file, caffe_bin_file);
6、数据载入和检测环节
Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr());
float confidence_threshold = 0.6;
cout << "rows" << detectionMat.rows << endl;
cout << "cols" << detectionMat.cols << endl;
for (int i = 0; i < detectionMat.rows; i++) {
float confidence = detectionMat.at(i, 2);
if (confidence > confidence_threshold) {
size_t objIndex = (size_t)(detectionMat.at(i, 1));
// cout << objIndex << endl;
float tl_x = detectionMat.at(i, 3) * frame.cols;
float tl_y = detectionMat.at(i, 4) * frame.rows;
float br_x = detectionMat.at(i, 5) * frame.cols;
float br_y = detectionMat.at(i, 6) * frame.rows;
Rect object_box((int)tl_x, (int)tl_y, (int)(br_x - tl_x), (int)(br_y - tl_y));
rectangle(frame, object_box, Scalar(0, 0, 255), 2, 8, 0);
putText(frame, format("%s", classNames[objIndex]), Point(20, 20), FONT_HERSHEY_COMPLEX, 1.0, Scalar(3, 9, 45), 2, 8, 0);
} 检测图像：
源代码：https://github.com/haiqiang2017/open-dnn