企业官网建设流程全解析

苏州实力做网站公司有哪些,巴州网站建设,自已做好的网站怎么做后台,word与wordpress文章目录0 前言1 技术背景2 技术介绍3 重识别技术实现3.1 数据集3.2 行人检测3.2 Person REID3.2.1 算法原理3.2.2 算法流程图4 实现效果5 部分代码0 前言 #x1f525;这两年开始毕业设计和毕业答辩的要求和难度不断提升#xff0c;传统的毕设题目缺少创新和亮点#xff0…文章目录0 前言1 技术背景2 技术介绍3 重识别技术实现3.1 数据集3.2 行人检测3.2 Person REID3.2.1 算法原理3.2.2 算法流程图4 实现效果5 部分代码0 前言这两年开始毕业设计和毕业答辩的要求和难度不断提升传统的毕设题目缺少创新和亮点往往达不到毕业答辩的要求这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。并且很难找到完整的毕设参考学习资料。为了大家能够顺利以及最少的精力通过毕设学长分享优质毕业设计项目提供大家参考学习今天要分享的是 **选题指导, 项目分享见文末**1 技术背景行人重识别技术是智能视频监控系统的关键技术之一其研宄是针对特定目标行人的视频检索识别问题。行人再识别是一种自动的目标判定识别技术它综合地运用了计算机视觉技术、机器学习、视频处理、图像分析、模式识别等多种相关技术于监控系统中其主要描述的是在多个无重叠视域的摄像头监控环境之下通过相关算法判断在某个镜头下出现过的感兴趣的目标人物是否在其他摄像头下再次出现。2 技术介绍在视频监控系统中行人再识别任务的整体框架如下图所示—个监控系统由多个视域不相交的监控摄像头组成摄像机的位置可以随时更改同时也可以随时增加或减少摄像机。不两监控摄像头所摄取的画面、视角等各不相同。在这样的监控系统中对行人的动向监测是至关重要的。对行人的监控主要基于以下三个基本的模块行人检测行人检测的目标是在图片中定位到行人的具体位置。这一步骤仅涉及到对于静止的单张图片的处理而没有动态的处理没有时间序列上的相关分析。行人轨迹跟踪行人轨迹跟踪的主要任务是在一段时间内提供目标任务的位置移动信息。与行人检测不同轨迹跟踪与时间序列紧密相关。行人轨迹跟踪是在行人检测的基础上进行的。行人再识别行人再识别任务的目标是在没有相重合视域的摄像头或摄像机网络内的不同背景下的许多行人中中识别某个特定行人。行人再识别的分析基于行人检测和轨迹跟踪的结果。其主要步骤首先是检测和跟踪视频序列中的行人从而提取行人的特征建立构建模型所需的行人特征集数据库。在此基础上用训练出的模型进行学习从而判断得出某个摄像头下的行人与另一摄像头下的目标人物为同一个人。在智能视频监控系统中的行人再识别任务具有非常广阔的应用前景。行人再识别的应用与行人检测、目标跟踪、行人行为分析、敏感事件检测等等都有着紧密的联系这些分析处理技术对于公安部门的刑侦工作和城市安防建设工作有着重要的意义。3 重识别技术实现3.1 数据集目前行人再识别的研究需要大量的行人数据集。行人再识别的数据集主要是通过在不同区域假设无重叠视域的多个摄像头来采集拍摄有行人图像的视频然后对视频提取帧对于视频帧图像采用人工标注或算法识别的方式进行人体检测及标注来完成的。行人再识别数据集中包含了跨背景、跨时间、不同拍摄角度下、各种不同姿势的行人图片如下图所示。3.2 行人检测行人检测学长已经做过详细的讲解了参考我的文章毕业设计之 — 目标检测-行人车辆检测流量计数3.2 Person REID3.2.1 算法原理给定个不同的行人从不同的拍摄视角的无重叠视域摄像机捕获的图像集合行人再识别的任务是学习一个模型该模型可以尽可能减小行人姿势和背景、光照等因素带来的影响从而更好地对行人进行整体上的描述更准确地对不同行人图像之间的相似度进行衡量。我这里使用注意力相关的特征的卷积神经网络。该基础卷积神经网络架构可以由任何卷积神经网络模型代替例如。该算法的核心模块在于注意力学习模型。3.2.2 算法流程图4 实现效果在多行人场景下对特定行人进行寻找5 部分代码importargparseimporttimefromsysimportplatformfrommodelsimport*fromutils.datasetsimport*fromutils.utilsimport*fromreid.dataimportmake_data_loaderfromreid.data.transformsimportbuild_transformsfromreid.modelingimportbuild_modelfromreid.configimportcfgasreidCfgdefdetect(cfg,data,weights,imagesdata/samples,# input folderoutputoutput,# output folderfourccmp4v,# video codecimg_size416,conf_thres0.5,nms_thres0.5,dist_thres1.0,save_txtFalse,save_imagesTrue):# Initializedevicetorch_utils.select_device(force_cpuFalse)torch.backends.cudnn.benchmarkFalse# set False for reproducible resultsifos.path.exists(output):shutil.rmtree(output)# delete output folderos.makedirs(output)# make new output folder############# 行人重识别模型初始化 #############query_loader,num_querymake_data_loader(reidCfg)reidModelbuild_model(reidCfg,num_classes10126)reidModel.load_param(reidCfg.TEST.WEIGHT)reidModel.to(device).eval()query_feats[]query_pids[]fori,batchinenumerate(query_loader):withtorch.no_grad():img,pid,camidbatch imgimg.to(device)featreidModel(img)# 一共2张待查询图片每张图片特征向量2048 torch.Size([2, 2048])query_feats.append(feat)query_pids.extend(np.asarray(pid))# extend() 函数用于在列表末尾一次性追加另一个序列中的多个值用新列表扩展原来的列表。query_featstorch.cat(query_feats,dim0)# torch.Size([2, 2048])print(The query feature is normalized)query_featstorch.nn.functional.normalize(query_feats,dim1,p2)# 计算出查询图片的特征向量############# 行人检测模型初始化 #############modelDarknet(cfg,img_size)# Load weightsifweights.endswith(.pt):# pytorch formatmodel.load_state_dict(torch.load(weights,map_locationdevice)[model])else:# darknet format_load_darknet_weights(model,weights)# Eval modemodel.to(device).eval()# Half precisionopt.halfopt.halfanddevice.type!cpu# half precision only supported on CUDAifopt.half:model.half()# Set Dataloadervid_path,vid_writerNone,Noneifopt.webcam:save_imagesFalsedataloaderLoadWebcam(img_sizeimg_size,halfopt.half)else:dataloaderLoadImages(images,img_sizeimg_size,halfopt.half)# Get classes and colors# parse_data_cfg(data)[names]:得到类别名称文件路径 namesdata/coco.namesclassesload_classes(parse_data_cfg(data)[names])# 得到类别名列表: [person, bicycle...]colors[[random.randint(0,255)for_inrange(3)]for_inrange(len(classes))]# 对于每种类别随机使用一种颜色画框# Run inferencet0time.time()fori,(path,img,im0,vid_cap)inenumerate(dataloader):ttime.time()# if i 500 or i % 5 0:# continuesave_pathstr(Path(output)/Path(path).name)# 保存的路径# Get detections shape: (3, 416, 320)imgtorch.from_numpy(img).unsqueeze(0).to(device)# torch.Size([1, 3, 416, 320])pred,_model(img)# 经过处理的网络预测和原始的detnon_max_suppression(pred.float(),conf_thres,nms_thres)[0]# torch.Size([5, 7])ifdetisnotNoneandlen(det)0:# Rescale boxes from 416 to true image size 映射到原图det[:,:4]scale_coords(img.shape[2:],det[:,:4],im0.shape).round()# Print results to screen image 1/3 data\samples\000493.jpg: 288x416 5 persons, Done. (0.869s)print(%gx%g %img.shape[2:],end)# print image size 288x416forcindet[:,-1].unique():# 对图片的所有类进行遍历循环n(det[:,-1]c).sum()# 得到了当前类别的个数也可以用来统计数目ifclasses[int(c)]person:print(%g %ss%(n,classes[int(c)]),end, )# 打印个数和类别5 persons# Draw bounding boxes and labels of detections# (x1y1x2y2, obj_conf, class_conf, class_pred)count0gallery_img[]gallery_loc[]for*xyxy,conf,cls_conf,clsindet:# 对于最后的预测框进行遍历# *xyxy: 对于原图来说的左上角右下角坐标: [tensor(349.), tensor(26.), tensor(468.), tensor(341.)]ifsave_txt:# Write to filewithopen(save_path.txt,a)asfile:file.write((%g *6\n)%(*xyxy,cls,conf))# Add bbox to the imagelabel%s %.2f%(classes[int(cls)],conf)# person 1.00ifclasses[int(cls)]person:#plot_one_bo x(xyxy, im0, labellabel, colorcolors[int(cls)])xminint(xyxy[0])yminint(xyxy[1])xmaxint(xyxy[2])ymaxint(xyxy[3])wxmax-xmin# 233hymax-ymin# 602# 如果检测到的行人太小了感觉意义也不大# 这里需要根据实际情况稍微设置下ifw*h500:gallery_loc.append((xmin,ymin,xmax,ymax))crop_imgim0[ymin:ymax,xmin:xmax]# HWC (602, 233, 3)crop_imgImage.fromarray(cv2.cvtColor(crop_img,cv2.COLOR_BGR2RGB))# PIL: (233, 602)crop_imgbuild_transforms(reidCfg)(crop_img).unsqueeze(0)# torch.Size([1, 3, 256, 128])gallery_img.append(crop_img)ifgallery_img:gallery_imgtorch.cat(gallery_img,dim0)# torch.Size([7, 3, 256, 128])gallery_imggallery_img.to(device)gallery_featsreidModel(gallery_img)# torch.Size([7, 2048])print(The gallery feature is normalized)gallery_featstorch.nn.functional.normalize(gallery_feats,dim1,p2)# 计算出查询图片的特征向量# m: 2# n: 7m,nquery_feats.shape[0],gallery_feats.shape[0]distmattorch.pow(query_feats,2).sum(dim1,keepdimTrue).expand(m,n)\ torch.pow(gallery_feats,2).sum(dim1,keepdimTrue).expand(n,m).t()# out(beta∗M)(alpha∗mat1mat2)# qf^2 gf^2 - 2 * qfgf.t()# distmat - 2 * qfgf.t()# distmat: qf^2 gf^2# qf: torch.Size([2, 2048])# gf: torch.Size([7, 2048])distmat.addmm_(1,-2,query_feats,gallery_feats.t())# distmat (qf - gf)^2# distmat np.array([[1.79536, 2.00926, 0.52790, 1.98851, 2.15138, 1.75929, 1.99410],# [1.78843, 1.96036, 0.53674, 1.98929, 1.99490, 1.84878, 1.98575]])distmatdistmat.cpu().numpy()# class tuple: (3, 12)distmatdistmat.sum(axis0)/len(query_feats)# 平均一下query中同一行人的多个结果indexdistmat.argmin()ifdistmat[index]dist_thres:print(距离%s%distmat[index])plot_one_box(gallery_loc[index],im0,labelfind!,colorcolors[int(cls)])# cv2.imshow(person search, im0)# cv2.waitKey()print(Done. (%.3fs)%(time.time()-t))ifopt.webcam:# Show live webcamcv2.imshow(weights,im0)ifsave_images:# Save image with detectionsifdataloader.modeimages:cv2.imwrite(save_path,im0)else:ifvid_path!save_path:# new videovid_pathsave_pathifisinstance(vid_writer,cv2.VideoWriter):vid_writer.release()# release previous video writerfpsvid_cap.get(cv2.CAP_PROP_FPS)widthint(vid_cap.get(cv2.CAP_PROP_FRAME_WIDTH))heightint(vid_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))vid_writercv2.VideoWriter(save_path,cv2.VideoWriter_fourcc(*fourcc),fps,(width,height))vid_writer.write(im0)ifsave_images:print(Results saved to %s%os.getcwd()os.sepoutput)ifplatformdarwin:# macosos.system(open output save_path)print(Done. (%.3fs)%(time.time()-t0))if__name____main__:parserargparse.ArgumentParser()parser.add_argument(--cfg,typestr,defaultcfg/yolov3.cfg,help模型配置文件路径)parser.add_argument(--data,typestr,defaultdata/coco.data,help数据集配置文件所在路径)parser.add_argument(--weights,typestr,defaultweights/yolov3.weights,help模型权重文件路径)parser.add_argument(--images,typestr,defaultdata/samples,help需要进行检测的图片文件夹)parser.add_argument(-q,--query,defaultrquery,help查询图片的读取路径.)parser.add_argument(--img-size,typeint,default416,help输入分辨率大小)parser.add_argument(--conf-thres,typefloat,default0.1,help物体置信度阈值)parser.add_argument(--nms-thres,typefloat,default0.4,helpNMS阈值)parser.add_argument(--dist_thres,typefloat,default1.0,help行人图片距离阈值小于这个距离就认为是该行人)parser.add_argument(--fourcc,typestr,defaultmp4v,helpfourcc output video codec (verify ffmpeg support))parser.add_argument(--output,typestr,defaultoutput,help检测后的图片或视频保存的路径)parser.add_argument(--half,defaultFalse,help是否采用半精度FP16进行推理)parser.add_argument(--webcam,defaultFalse,help是否使用摄像头进行检测)optparser.parse_args()print(opt)withtorch.no_grad():detect(opt.cfg,opt.data,opt.weights,imagesopt.images,img_sizeopt.img_size,conf_thresopt.conf_thres,nms_thresopt.nms_thres,dist_thresopt.dist_thres,fourccopt.fourcc,outputopt.output) 项目分享:大家可自取用于参考学习获取方式见文末!