本文将实现树莓派摄像头 C++ OpenCV YoloV3 实现实时目标检测，我们会先实现树莓派对视频文件的逐帧检测来验证算法流程，成功后，再接入摄像头进行实时目标检测。
先声明一下笔者的主要软硬件配置：
树莓派4B 4GB内存
CSI 摄像头
Ubuntu 20.04
不多讲，参考 Ubuntu 18.04 安装OpenCV C++ 。
我们先下载作者官方发布的 YoloV3 模型配置文件、权重文件：
wget https://pjreddie.com/media/files/yolov3.weights
wget https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg?raw=true -O ./yolov3.cfg
上面是比较大的网络，由于我们的树莓派算力比较一遍，所以建议使用轻量型的网络 yolov3-tiny：
wget https://pjreddie.com/media/files/yolov3-tiny.weights
wget https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg?raw=true -O ./yolov3-tiny.cfg
另外，由于模型权重是在 COCO 数据集上进行预训练的，所以我们还要准备 COCO 的类别名称文件，方便在模型输出检测结果后进行后处理，将类别显示在检测结果框上。
wget https://github.com/pjreddie/darknet/blob/master/data/coco.names?raw=true -O ./coco.names
注：如果上面的 github 中的配置文件在命令行下载的比较慢的话，可以直接去 github 网页复制粘贴下来。
我们会先对一个视频文件进行逐帧检测来验证算法的流程，在之后再使用摄像头进行实时检测。
我们直接通过 you-get 工具去B站下载视频文件并改个名：
pip install you-get
you-get https://www.bilibili.com/video/av32184680
rm fileName.cmt.xml
mv fileName.mp4 demo.mp4
如果是 flv 文件，可以用 ffmpeg 转为 mp4 文件：
ffmpeg -i input.flv output.mp4
一切准备就绪我们开始先测试一下视频文件的检测，我们先讲解一遍代码，在最后会给出整个源码。
YOLOv3算法的预测结果就是边界框。每一个边界框都旁随着一个置信值。第一阶段中，全部低于置信度阀值的都会排除掉。 对剩余的边界框执行非最大抑制算法，以去除重叠的边界框。非最大抑制由一个参数 nmsThrehold 控制。读者可以尝试改变这个数值，观察输出的边界框的改变。 接下来，设置输入图片的宽度inpWidth和高度 inpHeight。这里设置为416。如果想要更快的速度，可以把宽度和高度设置为320。如果想要更准确的结果，可改变为608。
#include <iostream>
#include <fstream>
#include <vector>
#include <string>
#include <opencv.hpp>
using namespace std;
float confThreshold = 0.5; //置信度阈值
float nmsThreshold = 0.4; //非最大抑制阈值
int inpWidth = 416; //网络输入图片宽度
int inpHeight = 416; //网络输入图片高度
接下来我们读入COCO 类别名并存入 classes 容器。并加载模型与权重文件 yolov3-tiny.cfg 和 yolov3-tiny.weights。这里用到的几个文件就是我们刚才下载好的，读者需要改为自己的路径。最后把DNN的后端设置为OpenCV，目标设置CPU。这里我们树莓派没有GPU等加速推理硬件，就用CPU，如果有GPU，可改为OpenCL、CUDA等
//将类名存进容器
vector<string> classes; //储存名字的容器
string classesFile = "./coco.names"; //coco.names包含80种不同的类名
ifstream ifs(classesFile.c_str());
string line;
while(getline(ifs,line))classes.push_back(line);
//取得模型的配置和权重文件
cv::String modelConfiguration = "./yolov3-tiny.cfg";
cv::String modelWeights = "./yolov3-tiny.weights";
//加载网络
cv::dnn::Net net = cv::dnn::readNetFromDarknet(modelConfiguration,modelWeights);
net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
net.setPreferableTarget(cv::dnn::DNN_TARGET_OPENCL); // 这里我们树莓派没有GPU等加速推理硬件，就用CPU，如果有GPU，可改为OpenCL、CUDA等
这里我们先读入下载好的视频文件，一会儿再使用本地摄像头测试。这里如果是树莓派外接显示器的话可以用创建GUI窗口来查看，但是我们通常是命令行SSH连接树莓派，这时我们就直接将每一帧的检测结果保存为图像文件查看：
// 打开视频文件或者本地摄像头来读取输入
string str, outputFile;
cv::VideoCapture cap("./demo.mp4");
cv::VideoWriter video;
cv::Mat frame,blob;
// 开启摄像头
// cv::VideoCapture capture(0);
// 创建窗口
// static const string kWinName = "YoloV3 OpenCV";
// cv::namedWindow(kWinName,cv::WINDOW_AUTOSIZE);
// 非GUI界面不需要创建窗口
OpenCV中，输入到神经网络的图像需要以一种叫 bolb 的格式保存。 读取了输入图片或者视频流的一帧图像后，这帧图像需要经过bolbFromImage() 函数处理为神经网络的输入类型 bolb。在这个过程中，图像像素以一个 1/255 的比例因子，被缩放到0到1之间。同时，图像在不裁剪的情况下，大小调整到 416x416。注意我们没有降低图像平均值，因此传递 [0,0,0] 到函数的平均值输入，保持swapRB 参数到默认值1。 输出的bolb传递到网络，经过网络正向处理，网络输出了所预测到的一个边界框清单。这些边界框通过后处理，滤除了低置信值的。我们随后再详细的说明后处理的步骤。我们在每一帧的左上方打印出了推断时间。伴随着最后的边界框的完成，图像保存到硬盘中，之后可以作为图像输入或者通过 VideoWriter 作为视频流输入。
while(cv::waitKey(1)<0){
// 取每帧图像
cap>>frame;
// 如果视频播放完则停止程序
if(frame.empty()){
break;
}
// 在dnn中从磁盘加载图片
cv::dnn::blobFromImage(frame,blob,1/255.0,cv::Size(inpWidth,inpHeight));
// 设置输入
net.setInput(blob);
// 设置输出层
vector<cv::Mat> outs; //储存识别结果
net.forward(outs,getOutputNames(net));
// 移除低置信度边界框
postprocess(frame,outs);
// 显示s延时信息并绘制
vector<double> layersTimes;
double freq = cv::getTickFrequency()/1000;
double t=net.getPerfProfile(layersTimes)/freq;
string label = cv::format("Infercence time for a frame:%.2f ms",t);
cv::putText(frame,label,cv::Point(0,15),cv::FONT_HERSHEY_SIMPLEX,0.5,cv::Scalar(0,255,255));
cout << "Frame: " << frame_cnt++ << ", time: " << t << "ms" << endl;
// 绘制识别框，在这里如果我们用的是GUI界面，并且刚才创建了窗口的话，可以imshow，否则是命令行SSH连接树莓派的话就imwrite保存图像
// cv::imshow(kWinName,frame);
cv::imwrite("output.jpg",frame);
}
第五步我们给出几个用到的函数的实现。
OpenCV 的网络类中的前向功能需要结束层，直到它在网络中运行。因为我们需要运行整个网络，所以我们需要识别网络中的最后一层。我们通过使用 getUnconnectedOutLayers() 获得未连接的输出层的名字，该层基本就是网络的最后层。然后我们运行前向网络，得到输出，如前面的代码片段 net.forward(getOutputsNames(net))。
//从输出层得到名字
vector<cv::String> getOutputNames(const cv::dnn::Net& net){
static vector<cv::String> names;
if(names.empty()){
//取得输出层指标
vector<int> outLayers = net.getUnconnectedOutLayers();
vector<cv::String> layersNames = net.getLayerNames();
//取得输出层名字
names.resize(outLayers.size());
for(size_t i =0;i<outLayers.size();i++){
names[i] = layersNames[outLayers[i]-1];
}
}
return names;
}
网络输出的每个边界框都分别由一个包含着类别名字和5个元素的向量表示。 头四个元素代表center_x, center_y, width, height。第五个元素表示包含着目标的边界框的置信度。 其余的元素是和每个类别（如目标种类）有关的置信度。边界框分配给最高分数对应的那一种类。 一个边界框的最高分数也叫做它的置信度 confidence。如果边界框的置信度低于规定的阀值，算法上不再处理这个边界框。 置信度大于或等于置信度阀值的边界框，将进行非最大抑制。这会减少重叠的边界框数目。
// 移除低置信度边界框
void postprocess(cv::Mat& frame,const vector<cv::Mat>& outs){
vector<int> classIds; // 储存识别类的索引
vector<float> confidences;// 储存置信度
vector<cv::Rect> boxes; // 储存边框
for(size_t i=0;i<outs.size();i++){
//从网络输出中扫描所有边界框
//保留高置信度选框
//目标数据data:x,y,w,h为百分比，x,y为目标中心点坐标
float* data = (float*)outs[i].data;
for(int j=0;j<outs[i].rows;j++,data+=outs[i].cols){
cv::Mat scores = outs[i].row(j).colRange(5,outs[i].cols);
cv::Point classIdPoint;
double confidence;//置信度
//取得最大分数值与索引
cv::minMaxLoc(scores,0,&confidence,0,&classIdPoint);
if(confidence>confThreshold){
int centerX = (int)(data[0]*frame.cols);
int centerY = (int)(data[1]*frame.rows);
int width = (int)(data[2]*frame.cols);
int height = (int)(data[3]*frame.rows);
int left = centerX-width/2;
int top = centerY-height/2;
classIds.push_back(classIdPoint.x);
confidences.push_back((float)confidence);
boxes.push_back(cv::Rect(left, top, width, height));
}
}
}
//低置信度
vector<int> indices;//保存没有重叠边框的索引
//该函数用于抑制重叠边框
cv::dnn::NMSBoxes(boxes,confidences,confThreshold,nmsThreshold,indices);
for(size_t i=0;i<indices.size();i++){
int idx = indices[i];
cv::Rect box = boxes[idx];
drawPred(classIds[idx],confidences[idx],box.x,box.y,
box.x+box.width,box.y+box.height,frame);
}
}
最后，经过非最大抑制后，得到了边界框。我们把边界框在输入帧上画出，并标出种类名和置信值。
//绘制预测边界框
void drawPred(int classId,float conf,int left,int top,int right,int bottom,cv::Mat& frame){
//绘制边界框
cv::rectangle(frame,cv::Point(left,top),cv::Point(right,bottom),cv::Scalar(255,178,50),3);
string label = cv::format("%.2f",conf);
if(!classes.empty()){
CV_Assert(classId < (int)classes.size());
label = classes[classId]+":"+label;//边框上的类别标签与置信度
}
//绘制边界框上的标签
int baseLine;
cv::Size labelSize = cv::getTextSize(label,cv::FONT_HERSHEY_SIMPLEX,0.5,1,&baseLine);
top = max(top,labelSize.height);
cv::rectangle(frame,cv::Point(left,top-round(1.5*labelSize.height)),cv::Point(left+round(1.5*labelSize.width),top+baseLine),cv::Scalar(255,255,255),cv::FILLED);
cv::putText(frame, label,cv::Point(left, top), cv::FONT_HERSHEY_SIMPLEX, 0.75,cv::Scalar(0, 0, 0), 1);
}
文件全部源码在文末。
写好之后我们编译执行即可，关于 OpenCV 众多头文件包含、链接库链接时、运行时的链接，对初学者来说可能会遇到一些问题，可以参考：
Linux下编译、链接、加载运行C++ OpenCV的两种方式及常见问题的解决
Linux下C/C++程序编译链接加载过程中的常见问题及解决方法
可以从左上角和标准输出看到，每帧的检测时间大概在 280ms，速度还可以，精度大体也不错。但是由于模型较小，性能受限，对于一些边缘小物体会有误差，如上图中右侧的小车。
树莓派摄像头调试参考：树莓派摄像头基础配置及测试 。
在视频文件的检测顺利完成后，实时树莓派的检测就很简单了，只需要将读取输入部分从视频文件改为本地摄像头即可。
主要就是这一行修改：
// cv::VideoCapture cap("./video/demo.mp4");
// cv::VideoWriter video;
// 改为
cv::VideoCapture cap(0);
另外，我们需要设置一些 OpenCV 读取摄像头输入的尺寸大小，否则笔者亲测是有一些小bug：
cap.set(cv::CAP_PROP_FRAME_WIDTH, 640);
cap.set(cv::CAP_PROP_FRAME_HEIGHT, 480);
在笔者实验室中实测，速度和精度也都还可以。
全部代码可参考：https://github.com/Adenialzz/Hello-AIDeployment
如有错误或遗漏，欢迎留言指正。
Ref：
https://blog.csdn.net/cuma2369/article/details/107666559
https://ryanadex.github.io/2019/01/15/opencv-yolov3/