基于opencv與深度學(xué)習(xí)框架的物體圖像識(shí)別-資料下載頁(yè)
2025-06-26 16:29本頁(yè)面
【正文】 exit(1)。 } resize(img, img, Size(224, 224))。 //GoogLeNet accepts only 224x224 RGBimages Mat inputBlob = blobFromImage(img)。調(diào)整圖像大小并更改其通道順序?，F(xiàn)在的圖像實(shí)際上是一個(gè)224x224x3的三維數(shù)組。創(chuàng)建神經(jīng)網(wǎng)絡(luò)并初始化：dnn::Net net。importerpopulateNet(net)。()。輸入圖像數(shù)據(jù)：(.data, inputBlob)。計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出：()。取出prob層的輸出，確定最終的分類：dnn::Blob prob = (prob)。int classId。double classProb。getMaxClass(prob, amp。classId, amp。classProb)。輸出識(shí)別結(jié)果：std::vectorString classNames = readClassNames()。 std::cout Best class: classId 39。 (classId) 39。 std::endl。 std::cout Probability: classProb * 100 % std::endl。四．實(shí)驗(yàn)結(jié)果 識(shí)別效果展示為了測(cè)試識(shí)別效果，這里選擇了10張不同種類的圖片進(jìn)行測(cè)試。其中5組具體識(shí)別效果見(jiàn)下圖： 物體識(shí)別測(cè)試結(jié)果第1組貓 物體識(shí)別測(cè)試結(jié)果第2組水瓶 物體識(shí)別測(cè)試結(jié)果第3組狗 物體識(shí)別測(cè)試結(jié)果第4組航天飛機(jī) 物體識(shí)別測(cè)試結(jié)果第5組汽車 識(shí)別結(jié)果統(tǒng)計(jì) 識(shí)別結(jié)果統(tǒng)計(jì)測(cè)試組數(shù)測(cè)試圖像類別識(shí)別結(jié)果結(jié)果可信概率1貓貓％2狗狗％3汽車跑車％4航天飛機(jī)航天飛機(jī)％5純凈水瓶水瓶％6木桌桌％7書工具書％8乒乓球乒乓球％9運(yùn)動(dòng)鞋運(yùn)動(dòng)鞋％10自行車自行車％平均可信度％五．總結(jié)本文首先簡(jiǎn)要介紹了深度神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)的相關(guān)理論與技術(shù)。然后采用OpenCV深度學(xué)習(xí)模塊DNN與深度學(xué)習(xí)框架Caffe進(jìn)行物體識(shí)別。具體過(guò)程是使用OpenCV中的DNN模塊加載深度學(xué)習(xí)框架 Caffe模型文件，完成卷積神經(jīng)網(wǎng)絡(luò)的創(chuàng)建和訓(xùn)練，用該網(wǎng)絡(luò)對(duì)測(cè)試物體圖像進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)在物體的識(shí)別方面具有較高的準(zhǔn)確率和可信度。參考文獻(xiàn)[1] Zipser D, Andersen RA. A backpropagation programmed network that simulates response properties of a subset of posterior parietal neuron[J], Nature, 1988, 331(6158)：679684[2] 蔣宗禮. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M]. 高等教育出版社. [3] Deep Learning（深度學(xué)習(xí)）學(xué)習(xí)筆記整理系列[EB OL] . [4] Fengbingchun. 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介[EB OL].
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1