上一篇博文中讲到如何用OpenCV实现物体分类，但是接下来这篇博文将会告诉你图片中物体的位置具体在哪里。
我们将会知道如何使用OpenCV‘s的dnn模块去加载一个预训练的物体检测网络，它能使得我们将输入图像通过网络并且获得每个物体在图像中的输出位置。
最后我们将使用MobileNet Single Shot Detector在示例的输入图像中查看结果。下面给出具体的教程：
一 结合MobileNets and Single Shot Detectors实现更快更有效的基于物体检测的深度学习
我们所使用的模型链接在github上，地址是：https://github.com/chuanqi305/MobileNet-SSD
我们可以在图像中检测20中物体（背景分类另外算一种），包括 airplanes, bicycles, birds, boats, bottles, buses, cars, cats, chairs, cows, dining tables, dogs, horses, motorbikes, people, potted plants, sheep, sofas, trains, and tv monitors.
二 结合OpenCV基于物体检测的深度学习
在本节中我们将使用MobileNet SSD + deep neural network ( dnn )模块在OpenCV中来建立我们的物体检测模型。
打开一个新文件，命名为deep_learning_object_detection.py，并插入下列代码：
然后我们解析下面的参数：
- --image : The path to the input image.
- --prototxt : The path to the Caffe prototxt file.
- --model : The path to the pre-trained model.
- --confidence : The minimum probability threshold to filter weak detections. The default is 20%.
接着，我们初始化分类标签以及方框的颜色：
现在，我们需要加载我们的模型：
接下来，我们需要加载我们的图像和准备我们的blob，我们会把它喂进到我们的网络当中：
让我们的物体检测器循环直到能够决定物体在图像中是什么并且在哪里：
最后一步就是把我们的检测结果显示出来：
三 OpenCV和深度学习物体检测结果
首先下载源代码+预训练的网络模型+示例图像，我等会会给出原文链接，直接进行“Downloads”模块下填上你的邮箱后在邮箱中下载。
下载完成之后，解压文件后在你的文件路径下执行下面的命令：
$ python deep_learning_object_detection.py
到此，你已经完成了你的物体检测啦。
附上原文链接：https://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/
项目地址：https://github.com/wanglaotou/object-detection-deeplearning
版权声明：
作者：王老头
出处：http://www.cnblogs.com/wmr95/p/7641631.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，并在文章页面明显位置给出原文链接，否则，作者将保留追究法律责任的权利。