node.js在训练好的神经网络模型识别图像中物体的方法

编者按：opencv4nodejs及face-recognition.js维护者Vincent Mühler介绍了如何在Node.js环境下使用训练好的神经网络模型识别图像中的物体。

今天我们将看看Node.js的OpenCV深度神经网络模块。

如果你希望释放神经网络的魔力，来辨识和分类图像中的物体，却对深度学习是如何工作的毫无头绪（像我一样），更不知道如何创建和训练神经网络，那么本文正适合你！

所以我们今天将创建什么？

在这一篇教程中，我们将了解如何通过OpenCV的DNN模块，从Tensorflow和Caffe加载预训练的模型，然后我们将深入两个基于Node.js和OpenCV进行物体识别的例子。

首先我们将使用Tensorflow的Inception模型来辨识图像中的物体，之后我们将使用COCO SSD模型检测和辨识同一图像中的多个不同物体。

你可以在我的github仓库上找到样例代码：justadudewhohacks/opencv4nodejs

Tensorflow Inception

训练过的Tensorflow Inception模型可以辨别约1000个分类的物体。如果你将图像传入网络，它将给出图像中的物体的每个分类的似然。

要在OpenCV下使用Inception模型，我们需要加载二进制文件tensorflow_inception_graph.pb以及分类名称列表imagenet_comp_graph_label_strings.txt。你可以下载inception5h.zip并解压以获得这些文件（下面的代码内有下载链接）：

// 替换路径为你解压缩inception模型的路径

const inceptionModelPath = '../data/dnn/tf-inception'

const modelFile = path.resolve(inceptionModelPath, 'tensorflow_inception_graph.pb');

const classNamesFile = path.resolve(inceptionModelPath, 'imagenet_comp_graph_label_strings.txt');

if (!fs.existsSync(modelFile) || !fs.existsSync(classNamesFile)) {

console.log('退出: 找不到inception模型');

console.log('从以下网址下载模型： https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip');

return;

}

// 读取classNames（分类名称），然后在数组中储存它们

const classNames = fs.readFileSync(classNamesFile).toString().split(" ");

// 从modelFile初始化tensorflow inception模块

const net = cv.readNetFromTensorflow(modelFile);

分类图像中的物品

为了分类图像中的物品，我们将编写以下帮助函数：

const classifyImg = (img) => {

// inception模型使用224 x 224 图像，

// 因此我们调整输入图像的大小，

// 并使用白像素补齐图像

const maxImgDim = 224;

const white = new cv.Vec(255, 255, 255);

const imgResized = img.resizeToMax(maxImgDim).padToSquare(white);

// 网络接受blob作为输入

const inputBlob = cv.blobFromImage(imgResized);

net.setInput(inputBlob);

// 前向传播输入至整个网络，

// 将返回包含每个分类的置信度的1xN矩阵分类结果

const outputBlob = net.forward();

// 找到大于最小置信度的所有标签

const minConfidence = 0.05;

const locations =

outputBlob

.threshold(minConfidence, 1, cv.THRESH_BINARY)

.convertTo(cv.CV_8U)

.findNonZero();

const result =

locations.map(pt => ({

confidence: parseInt(outputBlob.at(0, pt.x) * 100) / 100,

className: classNames[pt.x]

}))

// 根据置信度排序

.sort((r0, r1) => r1.confidence - r0.confidence)

.map(res => `${res.className} (${res.confidence})`);

return result;

}

这一函数做了这些事：

准备输入图像

Tensorflow Inception网络接受224x224大小的输入图像。因此我们调整图像大小，使其最大边的大小为224，然后用白像素补齐。

让图像穿过网络

我们可以直接从图像创建blob，然后调用net.forward()前向传播输入，然后获取输出blob.

从输出blob提取结果

为了通用性，输出blob的表达形式直接是矩阵（cv.Mat），而它的维度取决于模型。在Inception下这很简单。blob不过是一个1xN矩阵（其中N等于分类数），描述了所有分类的概率分布。每个条目为一个浮点数，表示相应分类的置信度。所有条目相加，总和为1.0（100%）。

我们想仔细看看图像可能性最大的分类，因此我们查看所有置信度大于minConfidence（这个例子中是5%）。最后，我们根据置信度排序结果，并返回className、confidence对。

测试

现在我们将读取一些我们希望网络辨识的样本数据：

const testData = [

{

image: '../data/banana.jpg',

label: 'banana'

},

{

image: '../data/husky.jpg',

label: 'husky'

},

{

image: '../data/car.jpeg',

label: 'car'

},

{

image: '../data/lenna.png',

label: 'lenna'

}

];

testData.forEach((data) => {

const img = cv.imread(data.image);

console.log('%s: ', data.label);

const predictions = classifyImg(img);

predictions.forEach(p => console.log(p));

console.log();

cv.imshowWait('img', img);

});

输出为：（你可以参考本文开头的图片）

banana:

banana (0.95)

husky:

Siberian husky (0.78)

Eskimo dog (0.21)

car:

sports car (0.57)

racer (0.12)

lenna:

sombrero (0.34)

cowboy hat (0.3)

很有趣。我们得到了爱基斯摩犬和香蕉图像非常准确的描述。对于汽车图像而言，汽车的具体类别不太准，但模型确实辨识出了图像中的汽车。当然，网络不可能在无限的分类上进行训练，因此它没有为最后一张图像返回“妇女”描述。然而，它确实辨识出了帽子。

COCO SSD

好，模型表现不错。但是我们如何处理包含多个物体的图像呢？为了辨识单一图像中的多个物体，我们将利用单图多盒检测器（Single Shot Multibox Detector, SSD）。在我们的第二个例子中，我们将查看一个在COCO（Common Object in Context）数据集上训练的SSD模型。我们使用的这一模型在84个不同分类上训练过。

这一模型来自Caffe，因此我们将加载二进制文件VGG_coco_SSD_300x300_iter_400000.caffemodel，以及protoxt文件deploy.prototxt：

// 替换路径为你解压缩coco-SSD模型的路径

const ssdcocoModelPath = '../data/dnn/coco-SSD_300x300'

const prototxt = path.resolve(ssdcocoModelPath, 'deploy.prototxt');

const modelFile = path.resolve(ssdcocoModelPath, 'VGG_coco_SSD_300x300_iter_400000.caffemodel');

if (!fs.existsSync(prototxt) || !fs.existsSync(modelFile)) {

console.log('退出: 找不到ssdcoco模型');

console.log('从以下网址下载模型 https://drive.google.com/file/d/0BzKzrI_SkD1_dUY1Ml9GRTFpUWc/view');

return;

}

// 从prototxt和modelFile初始化ssdcoco模型

const net = cv.readNetFromCaffe(prototxt, modelFile);

基于COCO分类

我们的分类函数和基于Inception的分类函数几乎一样，不过这次输入将是300x300的图像，而输出将是1x1xNx7矩阵。

const classifyImg = (img) => {

const white = new cv.Vec(255, 255, 255);

// ssdcoco模型接受300 x 300图像

const imgResized = img.resize(300, 300);

// 网络接受blob作为输入

const inputBlob = cv.blobFromImage(imgResized);

net.setInput(inputBlob);

// 前向传播输入至整个网络，

// 将返回1x1xNxM矩阵作为分类结果

let outputBlob = net.forward();

// 提取NxM矩阵

outputBlob = outputBlob.flattenFloat(outputBlob.sizes[2], outputBlob.sizes[3]);

const results = Array(outputBlob.rows).fill(0)

.map((res, i) => {

const className = classNames[outputBlob.at(i, 1)];

const confidence = outputBlob.at(i, 2);

const topLeft = new cv.Point(

outputBlob.at(i, 3) * img.cols,

outputBlob.at(i, 6) * img.rows

);

const bottomRight = new cv.Point(

outputBlob.at(i, 5) * img.cols,

outputBlob.at(i, 4) * img.rows

);

return ({

className,

confidence,

topLeft,

bottomRight

})

});

return results;

};

我不是很清楚为何输出是1x1xNx7矩阵，不过我们实际上只关心Nx7部分。我们可以使用flattenFloat工具函数映射第三、第四维至2D矩阵。与Inception输出矩阵相比，这次N不对应每个分类，而是检测到的每个物体。另外，每个物体对应7个条目。

为什么是7个条目？

记住，这里我们遇到的问题和之前有点不一样。我们想要检测单张图像中的多个物体，因此我们不可能仅仅给出每个分类的置信度。我们实际上想要得到的是一个指示每个物体在图中的位置的矩形。7个条目分别为：

我其实毫无头绪

物体的分类标签

分类的置信度

矩形左端的x

矩形底部的y

矩形右端的x

矩形顶部的y

输出矩阵给了我们不少关于结果的信息，这看起来相当整洁。我们同样可以根据置信度再次过滤结果，并为每个辨识出的物体在图像中绘制边框。

看看它的效果！

出于行文的简洁，我将跳过绘制矩形的代码，以及其他可视化的代码。如果你想知道具体是怎么做的，可以访问前面提到的github仓库。

让我们传入一张汽车图像到网络，然后过滤结果，看看是否检测到了car分类：

很棒！下面提高一下难度。让我们试下……一张早餐桌？

很不错！