OpenCV进阶（7）在 OpenCV中使用 Mask RCNN实现对象检测和实例分割
在这篇文章中，我们将讨论 OpenCV 中的 Mask RCNN。
对象检测器的输出是在图像或视频帧中检测到的对象周围的边界框数组，但我们无法获得有关边界框内对象形状的任何线索。
如果我们能找到一个包含对象的二进制掩码而不仅仅是边界框，那不是很酷吗？
在这篇文章中，我们将学习如何做到这一点。我们将展示如何使用称为 Mask RCNN（基于区域的卷积神经网络）的卷积神经网络 (CNN) 模型进行对象检测和分割。使用 Mask-RCNN，我们不仅检测对象，还获得包含对象的灰度或二进制掩码。
Mask-RCNN 最初由 Facebook 的 AI 研究团队于 2017 年 11 月使用 Python 和 Caffe2 推出。
Inception 主干是四个中最快的。您甚至可以在合理的时间内在 CPU 上试用它，因此我们在本教程中选择了它。该模型是在 MSCOCO 数据集上训练的。
我们将共享在 C++ 和 Python 中加载和使用模型 的OpenCV代码。
1.什么是图像分割?
在计算机视觉中，术语“图像分割”或简称“分割”是指根据某些标准将图像划分为像素组。您可以根据颜色、纹理或您决定的其他一些标准进行分组。这些组有时也称为超像素。
2.什么是实例分割？
在实例分割中，目标是检测图像中的特定对象并在感兴趣的对象周围创建掩码。实例分割也可以被认为是对象检测，其中输出是一个掩码而不仅仅是一个边界框。与试图对图像中的每个像素进行分类的语义分割不同，实例分割的目的不是标记图像中的每个像素。
下面我们看到一个在非常相似的彩色背景上对两只羊进行实例分割的例子。
3.Mask RCNN 如何工作？
Mask-RCNN 是对用于对象检测的原始 R-CNN 论文（R. Girshick 等人，CVPR 2014）进行一系列改进的结果。 R-CNN 基于选择性搜索生成区域提议，然后处理每个提议的区域，一次一个，使用卷积网络输出对象标签及其边界框。
Fast R-CNN (R. Girshik, ICCV 2015)通过使用ROIPool层在其CNN中一起处理所有提出的区域，使得R-CNN算法速度更快。
Faster R-CNN (S. Run et al., PAMI, 2017) 通过使用称为区域提议网络 (RPN) 的 ConvNet 执行区域提议步骤，进一步推动了它。 RPN 以及分类和边界框预测网络都在共同的特征图上工作，从而使推理速度更快。在 GPU 上，Faster R-CNN 可以以 5 fps 的速度运行。
Mask R-CNN (He et al., ICCV 2017) 是对 Faster RCNN 的改进，它包含一个与类标签和边界框预测分支平行的掩码预测分支，如下图所示。它只为 Faster R-CNN 网络增加了很小的开销，因此仍然可以在 GPU 上以 5 fps 的速度运行。在本教程中，我们通过在Intel Core i7 CPU 上运行来显示结果，并且在 CPU 上每帧大约需要 2 秒，即使对于具有 30 个以上对象的帧也是如此。
Mask-RCNN 网络有两个主要部分。
第一个是区域提议网络，它为每张图像生成大约 300 个区域提议。在训练期间，这些建议 (ROI) 中的每一个都经过第二部分，即对象检测和掩码预测网络，如上所示。请注意，由于掩码预测分支与标签和框预测分支并行运行，因此对于每个给定的 ROI，网络预测属于所有类别的掩码。
在推理过程中，区域提议经过非最大抑制，掩码预测分支仅处理得分最高的 100 个检测框。因此，对于 100 个 ROI 和 90 个对象类，网络的掩码预测部分输出大小为 100x90x15x15 的 4D 张量，其中每个掩码的大小为 15×15。
对于上面显示的绵羊图像，网络检测到两个对象。对于每个对象，它输出一个包含预测类分数（表示对象属于预测类的概率）、帧中检测到的对象的边界框的左、上、右和下位置的数组。该数组中的类 id 用于从掩码预测分支的输出中提取相应的掩码。检测到的两个对象的掩码如下所示：
然后可以对这些掩码进行阈值处理以获得完全二进制的掩码。
与 Faster-RCNN 一样，主干架构的选择是灵活的。我们选择 InceptionV2 是因为它更快，但正如 Mask R-CNN 论文的作者所指出的那样，使用 ResNeXt-101 等更好的架构可以获得更好的结果。
与 YOLOv3 等其他物体检测器相比，Mask-RCNN 网络在更大的图像上运行。网络调整输入图像的大小，使较小的一侧为 800 像素。下面我们将详细介绍获取实例分割结果所需的步骤。为了可视化的简单性和清晰度，我们在上面的视频中使用相同的颜色来表示同一类的对象，但我们也展示了一个小的代码更改，以不同的方式为不同的实例着色。
4.代码展示
链接：https://pan.baidu.com/s/1NOs0P7kW3ekXl-sYX3WodA
提取码：123a
（1）Python
# Usage
# python mask_rcnn.py --image=cars.jpg
# python mask_rcnn.py --video=cars.mp4
import cv2 as cv
import argparse
import numpy as np
import os.path
import sys
import random
# 初始化参数
confThreshold = 0.5 # 置信度阈值
maskThreshold = 0.3 # Mask阈值
parser = argparse.ArgumentParser(description='Use this script to run Mask-RCNN object detection and segmentation')
parser.add_argument('--image', help='Path to image file')
parser.add_argument('--video', help='Path to video file.', default="cars.mp4")
parser.add_argument("--device", default="cpu", help="Device to inference on")
args = parser.parse_args()
# 绘制预测的边界框，着色并在图像上显示mask
def drawBox(frame, classId, conf, left, top, right, bottom, classMask):
# 画边界框
cv.rectangle(frame, (left, top), (right, bottom), (255, 178, 50), 3)
# 打印类别标签
label = '%.2f' % conf
if classes:
assert(classId < len(classes))
label = '%s:%s' % (classes[classId], label)
# 在边界框顶部显示标签
labelSize, baseLine = cv.getTextSize(label, cv.FONT_HERSHEY_SIMPLEX, 0.5, 1)
top = max(top, labelSize[1])
cv.rectangle(frame, (left, top - round(1.5*labelSize[1])), (left + round(1.5*labelSize[0]), top + baseLine), (255, 255, 255), cv.FILLED)
cv.putText(frame, label, (left, top), cv.FONT_HERSHEY_SIMPLEX, 0.75, (0,0,0), 1)
# 调整mask、阈值、颜色并将其应用于图像
classMask = cv.resize(classMask, (right - left + 1, bottom - top + 1))
mask = (classMask > maskThreshold)
roi = frame[top:bottom+1, left:right+1][mask]
# color = colors[classId%len(colors)]
# 注释上面的行并取消注释下面的两行以生成不同的实例颜色
colorIndex = random.randint(0, len(colors)-1)
color = colors[colorIndex]
frame[top:bottom+1, left:right+1][mask] = ([0.3*color[0], 0.3*color[1], 0.3*color[2]] + 0.7 * roi).astype(np.uint8)
# 在图像上绘制轮廓
mask = mask.astype(np.uint8)
contours, hierarchy = cv.findContours(mask,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(frame[top:bottom+1, left:right+1], contours, -1, color, 3, cv.LINE_8, hierarchy, 100)
# 对于每一帧，为每个检测到的对象提取边界框和mask
def postprocess(boxes, masks):
# mask的输出大小为 NxCxHxW，其中
# N - 检测到的边界框数量
# C - 类别数（不包括背景）
# HxW - 分割形状
numClasses = masks.shape[1]
numDetections = boxes.shape[2]
frameH = frame.shape[0]
frameW = frame.shape[1]
for i in range(numDetections):
box = boxes[0, 0, i]
mask = masks[i]
score = box[2]
if score > confThreshold:
classId = int(box[1])
# 提取边界框
left = int(frameW * box[3])
top = int(frameH * box[4])
right = int(frameW * box[5])
bottom = int(frameH * box[6])
left = max(0, min(left, frameW - 1))
top = max(0, min(top, frameH - 1))
right = max(0, min(right, frameW - 1))
bottom = max(0, min(bottom, frameH - 1))
# 提取对象的mask
classMask = mask[classId]
# 绘制边界框，着色并在图像上显示mask
drawBox(frame, classId, score, left, top, right, bottom, classMask)
# 加载类名
classesFile = "mscoco_labels.names";
classes = None
with open(classesFile, 'rt') as f:
classes = f.read().rstrip('\n').split('\n')
# 给出模型的 textGraph 和权重文件
textGraph = "./mask_rcnn_inception_v2_coco_2018_01_28.pbtxt";
modelWeights = "./mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb";
# 加载网络
net = cv.dnn.readNetFromTensorflow(modelWeights, textGraph);
if args.device == "cpu":
net.setPreferableBackend(cv.dnn.DNN_TARGET_CPU)
print("Using CPU device")
elif args.device == "gpu":
net.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)
net.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA)
print("Using GPU device")
# 从文件中加载颜色
colorsFile = "colors.txt";
with open(colorsFile, 'rt') as f:
colorsStr = f.read().rstrip('\n').split('\n')
colors = [] #[0,0,0]
for i in range(len(colorsStr)):
rgb = colorsStr[i].split(' ')
color = np.array([float(rgb[0]), float(rgb[1]), float(rgb[2])])
colors.append(color)
winName = 'Mask-RCNN Object detection and Segmentation in OpenCV'
cv.namedWindow(winName, cv.WINDOW_NORMAL)
outputFile = "mask_rcnn_out_py.avi"
if (args.image):
# 打开图像文件
if not os.path.isfile(args.image):
print("Input image file ", args.image, " doesn't exist")
sys.exit(1)
cap = cv.VideoCapture(args.image)
outputFile = args.image[:-4]+'_mask_rcnn_out_py.jpg'
elif (args.video):
# 打开视频文件
if not os.path.isfile(args.video):
print("Input video file ", args.video, " doesn't exist")
sys.exit(1)
cap = cv.VideoCapture(args.video)
outputFile = args.video[:-4]+'_mask_rcnn_out_py.avi'
else:
# 网络摄像头输入
cap = cv.VideoCapture(0)
# 初始化视频编写器以保存输出视频
if (not args.image):
vid_writer = cv.VideoWriter(outputFile, cv.VideoWriter_fourcc('M','J','P','G'), 28, (round(cap.get(cv.CAP_PROP_FRAME_WIDTH)),round(cap.get(cv.CAP_PROP_FRAME_HEIGHT))))
while cv.waitKey(1) < 0:
# 从视频中获取帧
hasFrame, frame = cap.read()
# 如果到达视频结尾，则停止程序
if not hasFrame:
print("Done processing !!!")
print("Output file is stored as ", outputFile)
cv.waitKey(3000)
break
# 从一帧图像创建一个 4D blob。
blob = cv.dnn.blobFromImage(frame, swapRB=True, crop=False)
# 设置网络输入
net.setInput(blob)
# 运行前向传播以从输出层获取输出
boxes, masks = net.forward(['detection_out_final', 'detection_masks'])
# 为每个检测到的对象提取边界框和掩码
postprocess(boxes, masks)
# 放置效率信息。
t, _ = net.getPerfProfile()
label = 'Mask-RCNN on Intel Core i7 CPU, Inference time for a frame : %0.0f ms' % abs(t * 1000.0 / cv.getTickFrequency())
cv.putText(frame, label, (0, 15), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0))
# 用检测框写入帧图像中
if (args.image):
cv.imwrite(outputFile, frame.astype(np.uint8));
else:
vid_writer.write(frame.astype(np.uint8))
cv.imshow(winName, frame)
（2）C++
// Usage example: ./mask_rcnn.out --video=run.mp4
// ./mask_rcnn.out --image=bird.jpg
#include | input image }"
"{video v || input video }"
"{device d || device }"
;
using namespace cv;
using namespace dnn;
using namespace std;
// 初始化参数
float confThreshold = 0.5; // 置信度阈值
float maskThreshold = 0.3; // Mask阈值
vector<string> classes;
vector<Scalar> colors;
// 绘制预测的边界框
void drawBox(Mat& frame, int classId, float conf, Rect box, Mat& objectMask);
// 对每帧神经网络的输出进行后处理
void postprocess(Mat& frame, const vector<Mat>& outs);
int main(int argc, char** argv)
{
CommandLineParser parser(argc, argv, keys);
parser.about("Use this script to run object detection using YOLO3 in OpenCV.");
if (parser.has("help"))
{
parser.printMessage();
return 0;
}
// 加载类名
string classesFile = "mscoco_labels.names";
ifstream ifs(classesFile.c_str());
string line;
while (getline(ifs, line)) classes.push_back(line);
string device = parser.get<String>("device");
// 加载颜色
string colorsFile = "colors.txt";
ifstream colorFptr(colorsFile.c_str());
while (getline(colorFptr, line)) {
char* pEnd;
double r, g, b;
r = strtod (line.c_str(), &pEnd);
g = strtod (pEnd, NULL);
b = strtod (pEnd, NULL);
Scalar color = Scalar(r, g, b, 255.0);
colors.push_back(Scalar(r, g, b, 255.0));
}
// 给出模型的配置和权重文件
String textGraph = "./mask_rcnn_inception_v2_coco_2018_01_28.pbtxt";
String modelWeights = "./mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb";
// 加载网络
Net net = readNetFromTensorflow(modelWeights, textGraph);
if (device == "cpu")
{
cout << "Using CPU device" << endl;
net.setPreferableBackend(DNN_TARGET_CPU);
}
else if (device == "gpu")
{
cout << "Using GPU device" << endl;
net.setPreferableBackend(DNN_BACKEND_CUDA);
net.setPreferableTarget(DNN_TARGET_CUDA);
}
// 打开视频文件或图像文件或相机流。
string str, outputFile;
VideoCapture cap;
VideoWriter video;
Mat frame, blob;
try {
outputFile = "mask_rcnn_out_cpp.avi";
if (parser.has("image"))
{
// 打开图像文件
str = parser.get<String>("image");
//cout << "Image file input : " << str << endl;
ifstream ifile(str);
if (!ifile) throw("error");
cap.open(str);
str.replace(str.end()-4, str.end(), "_mask_rcnn_out.jpg");
outputFile = str;
}
else if (parser.has("video"))
{
// 打开视频文件
str = parser.get<String>("video");
ifstream ifile(str);
if (!ifile) throw("error");
cap.open(str);
str.replace(str.end()-4, str.end(), "_mask_rcnn_out.avi");
outputFile = str;
}
// 打开相机流
else cap.open(parser.get<int>("webcam"));
}
catch(...) {
cout << "Could not open the input image/video stream" << endl;
return 0;
}
// 初始化视频编写器以保存输出视频
if (!parser.has("image")) {
video.open(outputFile, VideoWriter::fourcc('M','J','P','G'), 28, Size(cap.get(CAP_PROP_FRAME_WIDTH), cap.get(CAP_PROP_FRAME_HEIGHT)));
}
// 创建一个窗口
static const string kWinName = "Deep learning object detection in OpenCV";
namedWindow(kWinName, WINDOW_NORMAL);
// 处理帧。
while (waitKey(1) < 0)
{
// 从视频中获取帧
cap >> frame;
// 如果到达视频结尾，则停止程序
if (frame.empty()) {
cout << "Done processing !!!" << endl;
cout << "Output file is stored as " << outputFile << endl;
waitKey(3000);
break;
}
// 从一帧图像创建一个 4D blob。
blobFromImage(frame, blob, 1.0, Size(frame.cols, frame.rows), Scalar(), true, false);
//blobFromImage(frame, blob);
//设置网络的输入
net.setInput(blob);
// 运行前向传播以从输出层获取输出
std::vector<String> outNames(2);
outNames[0] = "detection_out_final";
outNames[1] = "detection_masks";
vector<Mat> outs;
net.forward(outs, outNames);
// 为每个检测到的对象提取边界框和mask
postprocess(frame, outs);
// 放置效率信息。函数 getPerfProfile 返回 inference(t) 的总时间和每一层的时间（以 layerTimes 为单位）
vector<double> layersTimes;
double freq = getTickFrequency() / 1000;
double t = net.getPerfProfile(layersTimes) / freq;
string label = format("Mask-RCNN on Intel Core i7 CPU, Inference time for a frame : %0.0f ms", t);
putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));
// 用检测框写入帧图像中
Mat detectedFrame;
frame.convertTo(detectedFrame, CV_8U);
if (parser.has("image")) imwrite(outputFile, detectedFrame);
else video.write(detectedFrame);
imshow(kWinName, frame);
}
cap.release();
if (!parser.has("image")) video.release();
return 0;
}
// 对于每一帧，为每个检测到的对象提取边界框和mask
void postprocess(Mat& frame, const vector<Mat>& outs)
{
Mat outDetections = outs[0];
Mat outMasks = outs[1];
// mask的输出大小为 NxCxHxW，其中
// N - 检测到的边界框数量
// C - 类别数（不包括背景）
// HxW - 分割形状
const int numDetections = outDetections.size[2];
const int numClasses = outMasks.size[1];
outDetections = outDetections.reshape(1, outDetections.total() / 7);
for (int i = 0; i < numDetections; ++i)
{
float score = outDetections.at<float>(i, 2);
if (score > confThreshold)
{
// 提取边界框
int classId = static_cast<int>(outDetections.at<float>(i, 1));
int left = static_cast<int>(frame.cols * outDetections.at<float>(i, 3));
int top = static_cast<int>(frame.rows * outDetections.at<float>(i, 4));
int right = static_cast<int>(frame.cols * outDetections.at<float>(i, 5));
int bottom = static_cast<int>(frame.rows * outDetections.at<float>(i, 6));
left = max(0, min(left, frame.cols - 1));
top = max(0, min(top, frame.rows - 1));
right = max(0, min(right, frame.cols - 1));
bottom = max(0, min(bottom, frame.rows - 1));
Rect box = Rect(left, top, right - left + 1, bottom - top + 1);
// 提取对象的mask
Mat objectMask(outMasks.size[2], outMasks.size[3],CV_32F, outMasks.ptr<float>(i,classId));
// 绘制边界框，着色并在图像上显示mask
drawBox(frame, classId, score, box, objectMask);
}
}
}
// 绘制预测的边界框，着色并在图像上显示mask
void drawBox(Mat& frame, int classId, float conf, Rect box, Mat& objectMask)
{
//绘制一个显示边界框的矩形
rectangle(frame, Point(box.x, box.y), Point(box.x+box.width, box.y+box.height), Scalar(255, 178, 50), 3);
//获取类名的标签及其置信度
string label = format("%.2f", conf);
if (!classes.empty())
{
CV_Assert(classId < (int)classes.size());
label = classes[classId] + ":" + label;
}
//在边界框顶部显示标签
int baseLine;
Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
box.y = max(box.y, labelSize.height);
rectangle(frame, Point(box.x, box.y - round(1.5*labelSize.height)), Point(box.x + round(1.5*labelSize.width), box.y + baseLine), Scalar(255, 255, 255), FILLED);
putText(frame, label, Point(box.x, box.y), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0,0,0),1);
Scalar color = colors[classId%colors.size()];
// 调整mask、阈值、颜色并将其应用于图像
resize(objectMask, objectMask, Size(box.width, box.height));
Mat mask = (objectMask > maskThreshold);
Mat coloredRoi = (0.3 * color + 0.7 * frame(box));
coloredRoi.convertTo(coloredRoi, CV_8UC3);
// 在图像上绘制轮廓
vector<Mat> contours;
Mat hierarchy;
mask.convertTo(mask, CV_8U);
findContours(mask, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
drawContours(coloredRoi, contours, -1, color, 5, LINE_8, hierarchy, 100);
coloredRoi.copyTo(frame(box), mask);
}
5.代码解析
现在让我们看看如何使用 OpenCV 运行 Mask-RCNN。
5.1下载模型
我们将首先将 tensorflow 模型下载到当前的 Mask-RCNN 工作目录。下载完成后，我们提取模型文件。我们将使用冻结图文件frozen_inference_graph.pb 来获取模型权重。
wget http://download.tensorflow.org/models/object_detection/mask_rcnn_inception_v2_coco_2018_01_28.tar.gz
tar zxvf mask_rcnn_inception_v2_coco_2018_01_28.tar.gz
5.2初始化参数
Mask-RCNN算法生成预测的检测输出作为边界框。每个边界框都与一个置信度分数相关联。低于置信阈值参数的所有框都将被忽略以进行进一步处理。
从网络输出的目标掩模是灰度图像。如果需要的话，可以直接将其用于alpha混合。因为我们在本教程中使用二元蒙版，所以我们使用maskThreshold参数对灰色蒙版图像进行阈值设置。降低它的值将导致一个更大的掩码。有时这有助于包括边界附近缺失的部分，但与此同时，它也可能包括在更尖的边界区域的背景像素。
# 初始化参数
confThreshold = 0.5 #置信度阈值
maskThreshold = 0.3 # Mask 阈值
// 初始化参数
float confThreshold = 0.5; // 置信度阈值
float maskThreshold = 0.3; // Mask 阈值
5.3加载模型和类别
文件 mscoco_labels.names 包含训练模型的所有对象名称。我们读取类名。然后我们读取并加载包含用于屏蔽各种类对象的所有颜色的 colors.txt 文件。
接下来，我们使用这两个文件加载网络——
- 1.frozen_inference_graph.pb:预训练权重。
- 2.mask_rcnn_inception_v2_coco_2018_01_28.pbtxt : 文本图文件，以便可以使用 OpenCV 加载网络。
我们在这里设置DNN后端为OpenCV，目标为CPU。您可以尝试将首选目标设置为cv.dnn.DNN_TARGET_OPENCL在GPU上运行但请记住，目前OpenCV版本中的DNN模块仅使用英特尔的gpu进行测试。
# 加载类名
classesFile = "mscoco_labels.names";
classes = None
with open(classesFile, 'rt') as f:
classes = f.read().rstrip('\n').split('\n')
# 加载颜色
colorsFile = "colors.txt";
with open(colorsFile, 'rt') as f:
colorsStr = f.read().rstrip('\n').split('\n')
colors = []
for i in range(len(colorsStr)):
rgb = colorsStr[i].split(' ')
color = np.array([float(rgb[0]), float(rgb[1]), float(rgb[2])])
colors.append(color)
# 给出模型的 textGraph 和权重文件
textGraph = "./mask_rcnn_inception_v2_coco_2018_01_28.pbtxt";
modelWeights = "./mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb";
# 加载网络
net = cv.dnn.readNetFromTensorflow(modelWeights, textGraph);
net.setPreferableBackend(cv.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)
// 加载类名
string classesFile = "mscoco_labels.names";
ifstream ifs(classesFile.c_str());
string line;
while (getline(ifs, line)) classes.push_back(line);
// 加载颜色
vector<Scalar> colors;
string colorsFile = "colors.txt";
ifstream colorFptr(colorsFile.c_str());
while (getline(colorFptr, line)) {
char* pEnd;
double r, g, b;
r = strtod (line.c_str(), &pEnd);
g = strtod (pEnd, NULL);
b = strtod (pEnd, NULL);
colors.push_back(Scalar(r, g, b, 255.0));
}
// 给出模型的配置和权重文件
String textGraph = "./mask_rcnn_inception_v2_coco_2018_01_28.pbtxt";
String modelWeights = "./mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb";
// 加载网络
Net net = readNetFromTensorflow(modelWeights, textGraph);
net.setPreferableBackend(DNN_BACKEND_OPENCV);
net.setPreferableTarget(DNN_TARGET_CPU);
5.4读取输入
在这一步中，我们读取图像、视频流或网络摄像头。此外，我们还打开视频编写器来保存检测到输出边界框的帧。
outputFile = "mask_rcnn_out_py.avi"
if (args.image):
# 打开图像文件
if not os.path.isfile(args.image):
print("Input image file ", args.image, " doesn't exist")
sys.exit(1)
cap = cv.VideoCapture(args.image)
outputFile = args.image[:-4]+'_mask_rcnn_out_py.jpg'
elif (args.video):
# 打开视频文件
if not os.path.isfile(args.video):
print("Input video file ", args.video, " doesn't exist")
sys.exit(1)
cap = cv.VideoCapture(args.video)
outputFile = args.video[:-4]+'_mask_rcnn_out_py.avi'
else:
# 网络摄像头输入
cap = cv.VideoCapture(0)
# 初始化视频编写器以保存输出视频
if (not args.image):
vid_writer = cv.VideoWriter(outputFile, cv.VideoWriter_fourcc('M','J','P','G'), 28, (round(cap.get(cv.CAP_PROP_FRAME_WIDTH)),round(cap.get(cv.CAP_PROP_FRAME_HEIGHT))))
outputFile = "mask_rcnn_out_cpp.avi";
if (parser.has("image"))
{
// 打开图像文件
str = parser.get<String>("image");
ifstream ifile(str);
if (!ifile) throw("error");
cap.open(str);
str.replace(str.end()-4, str.end(), "_mask_rcnn_out.jpg");
outputFile = str;
}
else if (parser.has("video"))
{
// 打开视频文件
str = parser.get<String>("video");
ifstream ifile(str);
if (!ifile) throw("error");
cap.open(str);
str.replace(str.end()-4, str.end(), "_mask_rcnn_out.avi");
outputFile = str;
}
// 网络摄像头输入
else cap.open(parser.get<int>("device"));
// 初始化视频编写器以保存输出视频
if (!parser.has("image")) {
video.open(outputFile, VideoWriter::fourcc('M','J','P','G'), 28, Size(cap.get(CAP_PROP_FRAME_WIDTH), cap.get(CAP_PROP_FRAME_HEIGHT)));
}
5.5处理每一帧
神经网络的输入图像需要采用称为 blob 的特定格式。
从输入图像或视频流中读取帧后，它会通过 blobFromImage 函数将其转换为神经网络的输入 blob。在这个过程中，它接收原始大小的输入图像帧，并将 swapRGB 参数设置为 true。
然后将 blob 作为其输入传入网络，并运行前向传递以从网络中名为“detection_out_final”和“detection_masks”的输出层获取预测边界框列表和对象掩码。这些框经过后处理步骤，以过滤掉置信度较低的框。我们将在下一节中更详细地介绍后处理步骤。每帧的推理时间打印在左上角。然后将带有最终边界框和相应叠加蒙版的图像保存到磁盘，要么作为图像输入，要么使用视频写入器作为输入视频流或网络摄像头。
while cv.waitKey(1) < 0:
# 从视频中获取帧
hasFrame, frame = cap.read()
# 如果到达视频结尾，则停止程序
if not hasFrame:
print("Done processing !!!")
print("Output file is stored as ", outputFile)
cv.waitKey(3000)
break
# 从帧图像创建一个 4D blob。
blob = cv.dnn.blobFromImage(frame, swapRB=True, crop=False)
# 设置网络输入
net.setInput(blob)
# 运行前向传递以从输出层获取输出
boxes, masks = net.forward(['detection_out_final', 'detection_masks'])
# 为每个检测到的对象提取边界框和掩码
postprocess(boxes, masks)
# 放置效率信息。
t, _ = net.getPerfProfile()
label = 'Mask-RCNN : Inference time: %.2f ms' % (t * 1000.0 / cv.getTickFrequency())
cv.putText(frame, label, (0, 15), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0))
# 用检测框写入帧图像
if (args.image):
cv.imwrite(outputFile, frame.astype(np.uint8));
else:
vid_writer.write(frame.astype(np.uint8))
cv.imshow(winName, frame)
// 帧处理
while (waitKey(1) < 0)
{
// 从视频中获取帧
cap >> frame;
// 如果到达视频结尾，则停止程序
if (frame.empty()) {
cout << "Done processing !!!" << endl;
cout << "Output file is stored as " << outputFile << endl;
waitKey(3000);
break;
}
// 从一帧创建一个4D blob。
blobFromImage(frame, blob, 1.0, Size(frame.cols, frame.rows), Scalar(), true, false);
//设置网络的输入
net.setInput(blob);
// 运行前向传递以从输出层获得输出
std::vector<String> outNames(2);
outNames[0] = "detection_out_final";
outNames[1] = "detection_masks";
vector<Mat> outs;
net.forward(outs, outNames);
// 提取每个检测对象的包围框和mask
postprocess(frame, outs);
// 放置效率信息。函数 getPerfProfile 返回 inference(t) 的总时间和每一层的时间（以 layerTimes 为单位）
vector<double> layersTimes;
double freq = getTickFrequency() / 1000;
double t = net.getPerfProfile(layersTimes) / freq;
string label = format("Mask-RCNN : Inference time for a frame : %.2f ms", t);
putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));
// 用检测框写入帧图像
Mat detectedFrame;
frame.convertTo(detectedFrame, CV_8U);
if (parser.has("image")) imwrite(outputFile, detectedFrame);
else video.write(detectedFrame);
imshow(kWinName, frame);
}
现在让我们详细了解上面使用的一些后处理函数调用。
5.5.1 对网络输出进行后处理
在我们的例子中,网络的输出掩码对象是一个4维对象，其中第一维表示帧中检测到的框数，第二维表示模型中的类数，第三和第四维表示掩码形状（15× 15) 。 如果框的置信度小于给定的阈值，则边界框将被丢弃并且不考虑进行进一步处理。
# 对于每一帧，为每个检测到的对象提取边界框和掩码
def postprocess(boxes, masks):
# masks的输出大小为 NxCxHxW，其中
# N - 检测到的边界框数量
# C - 类别数（不包括背景）
# HxW - 分割形状
numClasses = masks.shape[1]
numDetections = boxes.shape[2]
frameH = frame.shape[0]
frameW = frame.shape[1]
for i in range(numDetections):
box = boxes[0, 0, i]
mask = masks[i]
score = box[2]
if score > confThreshold:
classId = int(box[1])
# 提取边界框
left = int(frameW * box[3])
top = int(frameH * box[4])
right = int(frameW * box[5])
bottom = int(frameH * box[6])
left = max(0, min(left, frameW - 1))
top = max(0, min(top, frameH - 1))
right = max(0, min(right, frameW - 1))
bottom = max(0, min(bottom, frameH - 1))
# 提取对象的mask
classMask = mask[classId]
# 绘制边界框，着色并在图像上显示mask
drawBox(frame, classId, score, left, top, right, bottom, classMask)
// 对于每一帧，为每个检测到的对象提取边界框和掩码
void postprocess(Mat& frame, const vector<Mat>& outs)
{
Mat outDetections = outs[0];
Mat outMasks = outs[1];
// masks的输出大小为 NxCxHxW，其中
// N - 检测到的边界框数量
// C - 类别数（不包括背景）
// HxW - 分割形状
const int numDetections = outDetections.size[2];
const int numClasses = outMasks.size[1];
outDetections = outDetections.reshape(1, outDetections.total() / 7);
for (int i = 0; i < numDetections; ++i)
{
float score = outDetections.at<float>(i, 2);
if (score > confThreshold)
{
// 提取边界框
int classId = static_cast<int>(outDetections.at<float>(i, 1));
int left = static_cast<int>(frame.cols * outDetections.at<float>(i, 3));
int top = static_cast<int>(frame.rows * outDetections.at<float>(i, 4));
int right = static_cast<int>(frame.cols * outDetections.at<float>(i, 5));
int bottom = static_cast<int>(frame.rows * outDetections.at<float>(i, 6));
left = max(0, min(left, frame.cols - 1));
top = max(0, min(top, frame.rows - 1));
right = max(0, min(right, frame.cols - 1));
bottom = max(0, min(bottom, frame.rows - 1));
Rect box = Rect(left, top, right - left + 1, bottom - top + 1);
// 提取对象的mask
Mat objectMask(outMasks.size[2], outMasks.size[3],CV_32F, outMasks.ptr<float>(i,classId));
// 绘制边界框，着色并在图像上显示mask
drawBox(frame, classId, score, box, objectMask);
}
}
}
5.5.2 绘制预测框
最后，我们在输入帧图像上绘制经过后处理步骤过滤的边界框，这些边界框带有指定的类标签和置信度。我们还在边界框里叠加了彩色面具和它们的轮廓。在这段代码中，我们对属于同一类的所有对象使用了相同的颜色，但是您也可以对不同的实例使用不同的颜色。
# 绘制预测的边界框，着色并在图像上显示mask
def drawBox(frame, classId, conf, left, top, right, bottom, classMask):
# 画一个边界框。
cv.rectangle(frame, (left, top), (right, bottom), (255, 178, 50), 3)
# 打印类别标签。
label = '%.2f' % conf
if classes:
assert(classId < len(classes))
label = '%s:%s' % (classes[classId], label)
# 在边界框顶部显示标签
labelSize, baseLine = cv.getTextSize(label, cv.FONT_HERSHEY_SIMPLEX, 0.5, 1)
top = max(top, labelSize[1])
cv.rectangle(frame, (left, top - round(1.5*labelSize[1])), (left + round(1.5*labelSize[0]), top + baseLine), (255, 255, 255), cv.FILLED)
cv.putText(frame, label, (left, top), cv.FONT_HERSHEY_SIMPLEX, 0.75, (0,0,0), 1)
# 调整mask、阈值、颜色并将其应用于图像
classMask = cv.resize(classMask, (right - left + 1, bottom - top + 1))
mask = (classMask > maskThreshold)
roi = frame[top:bottom+1, left:right+1][mask]
color = colors[classId%len(colors)]
# 注释上面的行并取消注释下面的两行以生成不同的实例颜色
#colorIndex = random.randint(0, len(colors)-1)
#color = colors[colorIndex]
frame[top:bottom+1, left:right+1][mask] = ([0.3*color[0], 0.3*color[1], 0.3*color[2]] + 0.7 * roi).astype(np.uint8)
# 在图像上绘制轮廓
mask = mask.astype(np.uint8)
im2, contours, hierarchy = cv.findContours(mask,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(frame[top:bottom+1, left:right+1], contours, -1, color, 3, cv.LINE_8, hierarchy, 100)
// 绘制预测的边界框，着色并在图像上显示mask
void drawBox(Mat& frame, int classId, float conf, Rect box, Mat& objectMask)
{
//绘制一个显示边界框的矩形
rectangle(frame, Point(box.x, box.y), Point(box.x+box.width, box.y+box.height), Scalar(255, 178, 50), 3);
//获取类名的标签及其置信度
string label = format("%.2f", conf);
if (!classes.empty())
{
CV_Assert(classId < (int)classes.size());
label = classes[classId] + ":" + label;
}
//在边界框顶部显示标签
int baseLine;
Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
box.y = max(box.y, labelSize.height);
rectangle(frame, Point(box.x, box.y - round(1.5*labelSize.height)), Point(box.x + round(1.5*labelSize.width), box.y + baseLine), Scalar(255, 255, 255), FILLED);
putText(frame, label, Point(box.x, box.y), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0,0,0),1);
Scalar color = colors[classId%colors.size()];
// 注释上面的行并取消注释下面的两行以生成不同的实例颜色
//int colorInd = rand() % colors.size();
//Scalar color = colors[colorInd];
// 调整mask、阈值、颜色并将其应用于图像
resize(objectMask, objectMask, Size(box.width, box.height));
Mat mask = (objectMask > maskThreshold);
Mat coloredRoi = (0.3 * color + 0.7 * frame(box));
coloredRoi.convertTo(coloredRoi, CV_8UC3);
// 在图像上绘制轮廓
vector<Mat> contours;
Mat hierarchy;
mask.convertTo(mask, CV_8U);
findContours(mask, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
drawContours(coloredRoi, contours, -1, color, 5, LINE_8, hierarchy, 100);
coloredRoi.copyTo(frame(box), mask);
}
6.结果展示
参考目录
https://learnopencv.com/deep-learning-based-object-detection-and-instance-segmentation-using-mask-rcnn-in-opencv-python-c/