在实时音视频中，基于 TensorFlow 实现图像识别

近两年来，Python在众多编程语言中的热度一直稳居前五，热门程度可见一斑。Python 拥有很活跃的社区和丰富的第三方库，Web 框架、爬虫框架、数据分析框架、机器学习框架等，开发者无需重复造轮子，可以用 Python 进行 Web 编程、网络编程，开发多媒体应用，进行数据分析，或实现图像识别等应用。其中图像识别是最热门的应用场景之一，也是与实时音视频契合度最高的应用场景之一。

声网Agora 现已支持 Python 语言，大家可以通过点击「阅读原文」获取 Agora Python SDK。我们还写了一份 Python demo，并已分享至 Github。本文将从 TensorFlow 图像识别讲起，并讲 TensorFlow 与 Agora Python SDK 结合，在实时音视频场景中实现图像识别。实现后的效果，如下图所示。

实时通话中成功识别左图中的人、椅子和显示器

TensorFlow图片物体识别

TensorFlow是Google的开源深度学习库，你可以使用这个框架以及Python编程语言，构建大量基于机器学习的应用程序。而且还有很多人把TensorFlow构建的应用程序或者其他框架，开源发布到GitHub上。所以我们今天主要基于Tensorflow学习下物体识别。

TensorFlow提供了用于检测图片或视频中所包含物体的API，详情可参考以下链接:

https://github.com/tensorflow/models/tree/master/research/object_detection

物体检测是检测图片中所出现的全部物体并且用矩形（Anchor Box）进行标注，物体的类别可以包括多种，例如人、车、动物、路标等。举个例子了解TensorFlow物体检测API的使用方法，这里使用预训练好的ssd_mobilenet_v1_coco模型（Single Shot MultiBox Detector），更多可用的物体检测模型可以参考这里：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md#coco-trained-models-coco-models

加载库

# -*- coding:	
utf-8 -*-	
import numpy as	
np	
import	
tensorflow as tf	
import	
matplotlib.pyplot as plt	
from PIL import	
Image	
from utils	
import label_map_util	
from utils	
import visualization_utils as vis_util

定义一些常量

PATH_TO_CKPT = 'ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb'

 

PATH_TO_LABELS = 'ssd_mobilenet_v1_coco_2017_11_17/mscoco_label_map.pbtxt'

NUM_CLASSES = 90

加载预训练好的模型

detection_graph = tf.Graph()	
with detection_graph.as_default():	
    od_graph_def = tf.GraphDef()	
    with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:	
        od_graph_def.ParseFromString(fid.read())	
        tf.import_graph_def(od_graph_def, name='')

加载分类标签数据

label_map = label_map_util.load_labelmap(PATH_TO_LABELS)

categories = label_map_util.convert_label_map_to_categories(label_map,max_num_classes=NUM_CLASSES, use_display_name=True)

category_index = label_map_util.create_category_index(categories)

一个将图片转为数组的辅助函数，以及测试图片路径

def load_image_into_numpy_array(image):	
    (im_width, im_height) = image.size	
    return np.array(image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8)	
TEST_IMAGE_PATHS = ['test_images/image1.jpg', 'test_images/image2.jpg']

使用模型进行物体检测

with detection_graph.as_default():	
    with tf.Session(graph=detection_graph) as sess:	
        image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')	
        detection_boxes = detection_graph.get_tensor_by_name('detection_boxes:0')	
        detection_scores = detection_graph.get_tensor_by_name('detection_scores:0')	
        detection_classes = detection_graph.get_tensor_by_name('detection_classes:0')	
        num_detections = detection_graph.get_tensor_by_name('num_detections:0')	
        for image_path in TEST_IMAGE_PATHS:	
            image = Image.open(image_path)	
            image_np = load_image_into_numpy_array(image)	
            image_np_expanded = np.expand_dims(image_np, axis=0)	
            (boxes, scores, classes, num) = sess.run(	
                [detection_boxes, detection_scores, detection_classes, num_detections],	
                feed_dict={image_tensor: image_np_expanded})	
            vis_util.visualize_boxes_and_labels_on_image_array(image_np, np.squeeze(boxes), np.squeeze(classes).astype(np.int32), np.squeeze(scores), category_index, use_normalized_coordinates=True, line_thickness=8)	
            plt.figure(figsize=[12, 8])	
            plt.imshow(image_np)	
            plt.show()

 检测结果如下，第一张图片检测出了两只狗狗

实时音视频场景下TensorFlow物体识别

既然Tensorflow在静态图片的物体识别已经相对成熟，那在现实场景中，大量的实时音视频互动场景中，如何来做物体识别？我们现在基于声网实时视频的SDK，阐述如何做物体识别。

首先我们了解视频其实就是由一帧一帧的图像组合而成，所以从这个层面来说，视频中的目标识别就是从每一帧图像中做目标识别，从这个层面上讲，二者没有本质区别。在理解这个前提的基础上，我们就可以相对简单地做实时音视频场景下Tensorflow物体识别。

（1）读取Agora实时音视频，截取远端视频流的图片

    def onRenderVideoFrame(uid, width, height, yStride,	
                            uStride, vStride, yBuffer, uBuffer, vBuffer,	
                            rotation, renderTimeMs, avsync_type):	
         # 用 isImageDetect 字段判断前一帧图像是否已完成识别，若完成置为True,执行以下代码，执行完置为false	
        if EventHandlerData.isImageDetect:	
            y_array = (ctypes.c_uint8 * (width * height)).from_address(yBuffer)	
            u_array = (ctypes.c_uint8 * ((width // 2) * (height // 2))).from_address(uBuffer)	
            v_array = (ctypes.c_uint8 * ((width // 2) * (height // 2))).from_address(vBuffer)	
            Y = np.frombuffer(y_array, dtype=np.uint8).reshape(height, width)	
            U = np.frombuffer(u_array, dtype=np.uint8).reshape((height // 2, width // 2)).repeat(2, axis=0).repeat(2, axis=1)	
            V = np.frombuffer(v_array, dtype=np.uint8).reshape((height // 2, width // 2)).repeat(2, axis=0).repeat(2, axis=1)	
            YUV = np.dstack((Y, U, V))[:height, :width, :]	
            # AI模型中大多数模型都是RGB格式训练，声网提供的视频回调数据源是YUV格式，我们做下格式转换	
            RGB = cv2.cvtColor(YUV, cv2.COLOR_YUV2RGB, 3)	
            EventHandlerData.image = Image.fromarray(RGB)	
            EventHandlerData.isImageDetect = False

 （2）Tensorflow对截取图片进行物体识别

class objectDetectThread(QThread):	
    objectSignal = pyqtSignal(str)	
    def __init__(self):	
        super().__init__()	
    def run(self):	
        detection_graph = EventHandlerData.detection_graph	
        with detection_graph.as_default():	
            with tf.Session(graph=detection_graph) as sess:	
                (im_width, im_height) = EventHandlerData.image.size	
                image_np = np.array(EventHandlerData.image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8)	
                image_np_expanded = np.expand_dims(image_np, axis=0)	
                image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')	
                boxes = detection_graph.get_tensor_by_name('detection_boxes:0')	
                scores = detection_graph.get_tensor_by_name('detection_scores:0')	
                classes = detection_graph.get_tensor_by_name('detection_classes:0')	
                num_detections = detection_graph.get_tensor_by_name('num_detections:0')	
                (boxes, scores, classes, num_detections) = sess.run(	
                    [boxes, scores, classes, num_detections],	
                    feed_dict={image_tensor: image_np_expanded})	
                objectText = []	
                # 如果识别概率大于百分之四十，我们就在文本框内显示所识别物体	
                for i, c in enumerate(classes[0]):	
                    if scores[0][i] > 0.4	
                        object = EventHandlerData.category_index[int(c)]['name']	
                        if object not in objectText:	
                            objectText.append(object)	
                    else:	
                        break	
                self.objectSignal.emit(', '.join(objectText))	
                EventHandlerData.detectReady = True	
                # 本帧图片识别完，isImageDetect 字段置为True，再次开始读取并转换Agora远端实时音视频	
                EventHandlerData.isImageDetect = True

我们已经将这个 Demo 以及Agora Python SDK 上传至 Github，大家可以直接下载使用。

 Agora Python TensorFlow Demo：

https://github.com/AgoraIO-Community/Agora-Python-Tensorflow-Demo

Agora Python TensorFlow Demo编译指南：

• 下载Agora Python SDK （点击阅读原文）

• 若是 Windows，复制.pyd and .dll文件到本项目文件夹根目录；若是IOS，复制.so文件到本文件夹根目录

• 下载TensorFlow 模型，然后把 object_detection 文件复制.到本文件夹根目录

• 安装 Protobuf，然后运行：protoc object_detection/protos/*.proto --python_out=.

• 从这里下载预先训练的模型(下载链接)

• 推荐使用 ssd_mobilenet_v1_coco 和 ssdlite_mobilenet_v2_coco，因为他们相对运行较快

• 提取 frozen graph，命令行运行：python extractGraph.py --model_file='FILE_NAME_OF_YOUR_MODEL'

• 最后，在 callBack.py 中修改 model name，在 demo.py 中修改Appid，然后运行即可

请注意，这个 Demo 仅作为演示使用，从获取到远端实时视频画面，到TensorFlow 进行识别处理，再到显示出识别效果，期间需要2至4 秒。不同网络情况、设备性能、算法模型，其识别的效率也不同。感兴趣的开发者可以尝试更换自己的算法模型，来优化识别的延时。

如果 Demo 运行中遇到问题，请在RTC 开发者社区中反馈、交流，或在 Github 提 issue。