1.1. 项目简介
目标检测（Object Detection)的任务是在图像中找出检测对象的位置和犬小，是计算机视觉领域的核心问题之一，在自动驾驶、机器人和无人机等许多领域极具研究价值。
随着深度学习的兴起，基于深度学习的目标检测算法逐渐成为主流。深度学习是指在多层神经网络上运用各种机器学习算法决图像、文本等各种问题的算法集合。因此，基于深度学习的目标检测算法又披称为目标检测网络。
本项目使用一种名为 MobileNet-SSD的目标检测网络对图像进行目标捡测。
MobileNet-SSD 能够在图像中检测出飞机、自行车、鸟、船、瓶子、公交车、汽车、猫、椅子、奶牛、餐桌、狗、马、摩托车、人、盆栽、羊、沙发、火车和电视机共 20 种物体和 1 种背景，平均准确率能达到72. 7%。由于训练神经网络需要大量的数据和强大的算力，这里将使用一个已经训练好的目
标检测网络模型。在 Python 中，可以通过OpenCV 的dnn模块使用训练好的模型对图像进行目标检测，其步骤如下。
(1) 加载 MobileNet_SSD目标检测网络模型。
(2) 读入待检测图像，并将其转换成 blob 数据包。
(3) 将 blob 数据包传入目标检测网络，并进行前向传播。
(4) 根据返回结果标注图像中被检测出的对象。
1.2. 准备工作
在磁盘上创建一个名为“object-detect”的文件夹作项目目录，用于存放本项目的模型、源程序、图像和视频等文件，然后从原书“资源包/第 34 课”文件夹中把 model、images 和 videos3 个文件夹复制到“object-detect”文件夹中。
在model文件夹中提供 MobileNetSSD目标捡测网络模型文件，包括神经网络模型文件 MobileNetSSD_deploy.caffemodel 和网络结构 描述文件MobileNetSSD_deploy.prdtotxt。
在images文件夹中提供一些用于进行目标检测的图像，这些图像里含有汽车、飞机、行人、马、猫等。
1.3. 目标检测过程
新建一个空白源文件，以object_detection.jl作为文件名保存至“object-detect”文件夹中，然后编写程序检测图像中的物体，具体过程如下。
(1) 导入cv2和其他模块
using PyCall using Printf using Distributions cv2=pyimport("cv2")
说明：Printf库主要用于字符串的格式化输出。Distributions库是用于概率分布和相关函数的Julia包，这里用于配合随机数发生器，生成一定分布范围的随机数。Distributions库需要安装。
(2) 创建表示图像文件、网络描述文件和网络模型文件等的变量。
#指定图像和模型文件路径 image_path = "./images/example_1.jpg" prototxt = "./model/MobileNetSSD_deploy.prototxt" model = "./model/MobileNetSSD_deploy.caffemodel"
(3) 创建物体分类标签、颜色和字体等的变量。
#设定目标名称 CLASSES = ("background", "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "dining-table", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor") COLORS =rand(Uniform(0, 255),length(CLASSES),3)# FONT = cv2.FONT_HERSHEY_SIMPLEX
CLASSES 变量中这些分类标签是通过 MobileNet-SSD 网络训练的能够被检测的物体的名称，包括20种物体和1种背景。
COLORS 变量存放的是随机分配的标签颜色。这里原python代码是这样的：
COLORS =numpy.random.uniform(0, 255, size=(len(CLASSES), 3))
对于Julia，我们安装了Distributions库，就可以配合rand函数生成0-255范围内的随机数。
(4) 使用dnn模块从文件中加载神经网络模型。
#加载网络模型
net = cv2.dnn.readNetFromCaffe(prototxt, model)
(5) 从文件中加载待检测的图像，用来构造一个 blob 数据包。
#读取图像并进行预处理 image = cv2.imread(image_path) (h, w) = size(image)[1:2] input_img = cv2.resize(image, (300, 300)) blob = cv2.dnn.blobFromImage(input_img, 0.007843, (300, 300), 127.5 rimg = permutedims(image, ndims(image):-1:1) pyimg = PyReverseDims(rimg)
cv2.dnn.blobFromImage函数返回一个blob 数据包，它是经过均值减法、归一化和通道交换之后的输人图。由于训练 MobileNet-SSD 网络时使用的是 300 * 300 大小的图像，所以这里也需要使用相同尺寸的图像。
(6) 将 blob 数据包传人 MobileNet-SSD目标检测网络，并进行前向传播，然后等待返回检测结果。
#将图像传入网络
net.setInput(blob)
detections = net.forward()
(7) 用循环结构读取检测结果中的检测区域，并标注出矩形框、分类名称和可信度。
#对结果进行处理 for i in 1:size(detections)[3] idx =floor(Int,detections[1, 1, i, 2]) confidence = detections[1, 1, i, 3] if confidence > 0.2 #画矩形框 #println(size(detections)) box = detections[1, 1, i, 4:7].* [w, h, w, h] (x1, y1, x2, y2) = floor.(Int,box)#.astype("int") #println(idx) cv2.rectangle(pyimg, (x1, y1), (x2, y2), COL-ORS[idx], 2) #标注信任度 label =label=@sprintf("[INFO] %s: %0.2f%%",CLASSES[idx], confidence * 100) #print(label) cv2.putText(pyimg, label, (x1, y1), FONT, 1, COLORS[idx], 1) end end
(8) 将检测结果图像显示在窗口中。
#显示图像并等待 cv2.imshow("Image", pyimg) cv2.waitKey(0) cv2.destroyAllWindows()
至此 目标检测程序编写完毕。运程程序，对图像（example_1.jpg）的检测结果如图所示：
