图像识别，如何开始

Question

作为我的BSc学位论文的一部分，我必须利用视频提要上的图像识别。

我已经确定了openCV和Tensorflow --特别是“盗梦空间”训练模型--是两种选择，但是我不知道如何继续下去。基本上，我需要的是传递一个字符串，比如“key”，如果前5名的结果之一是“key”，则返回一个布尔值。

值得一提的是，我在网上做了一个python课程，因为两者都使用python。此外，我对Java也有相当丰富的经验，我们在过去两年一直在我们的uni中使用Java。

请注意，我做的而不是需要创建一个全新的图像识别系统，我需要用一个来告诉我我的相机看到了什么。

此外，虽然它是视频，我认为这将是更难处理的实际视频饲料。我想的是从30帧中选出1帧(假设一个30 run视频提要)并对其进行图像识别。

提前感谢！

Answer 1

如果您阅读了本教程，特别是“使用Python”一节，您的项目应该相当简单。在这段代码中，classify_image.py产生的最高N个结果被转换为人类可读的文本这里：

top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    score = predictions[node_id]
    print('%s (score = %.5f)' % (human_string, score))

对于您的示例，您可能希望将FLAGS.num_top_predictions设置为5，并且希望将前5个human_string值累加为如下所示：

top_k_strings = []
top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    top_k_strings.append(human_string)
    score = predictions[node_id]
    print('%s (score = %.5f)' % (human_string, score))

最后，您可以检查“key”是否是imagenet生成的前5个字符串之一，并将一个布尔值作为

return "keys" in top_k_strings

此外，如果您对人类可读类别的完整列表感兴趣，您可以找到它们这里

关于视频，您可能是正确的，您将不得不分样本视频序列，以跟上帧速率。一些实验和定时测试会让你对所需的次抽样率有一种感觉。

祝好运!