當Node.js遇上OpenCV深度神經網路

編者按：今天我們將看看Node.js的OpenCV深度神經網路模塊。如果你希望釋放神經網路的魔力，來辨識和分類圖像中的物體，卻對深度學習是如何工作的毫無頭緒（像我一樣），更不知道如何創建和訓練神經網路，那麼本文正適合你！

原文：Node.js meets OpenCV』s Deep Neural Networks?—?Fun with Tensorflow and Caffe

註：本文由opencv4nodejs及face-recognition.js維護者Vincent Mühler授權論智編譯，請勿隨意轉載。詳情見轉載須知。

所以我們今天將創建什麼？

在這一篇教程中，我們將了解如何通過OpenCV的DNN模塊，從Tensorflow和Caffe載入預訓練的模型，然後我們將深入兩個基於Node.js和OpenCV進行物體識別的例子。

首先我們將使用Tensorflow的Inception模型來辨識圖像中的物體，之後我們將使用COCO SSD模型檢測和辨識同一圖像中的多個不同物體。

你可以在我的github倉庫上找到樣例代碼：justadudewhohacks/opencv4nodejs

Tensorflow Inception

訓練過的Tensorflow Inception模型可以辨別約1000個分類的物體。如果你將圖像傳入網路，它將給出圖像中的物體的每個分類的似然。

要在OpenCV下使用Inception模型，我們需要載入二進位文件tensorflow_inception_graph.pb以及分類名稱列表imagenet_comp_graph_label_strings.txt。你可以下載inception5h.zip並解壓以獲得這些文件（下面的代碼內有下載鏈接）：

// 替換路徑為你解壓縮inception模型的路徑const inceptionModelPath = ../data/dnn/tf-inceptionconst 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(從以下網址下載模型： https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip); return;}// 讀取classNames（分類名稱），然後在數組中儲存它們const classNames = fs.readFileSync(classNamesFile).toString().split("
");// 從modelFile初始化tensorflow inception模塊const net = cv.readNetFromTensorflow(modelFile);

分類圖像中的物品

為了分類圖像中的物品，我們將編寫以下幫助函數：

const classifyImg = (img) => { // inception模型使用224 x 224 圖像， // 因此我們調整輸入圖像的大小， // 並使用白像素補齊圖像 const maxImgDim = 224; const white = new cv.Vec(255, 255, 255); const imgResized = img.resizeToMax(maxImgDim).padToSquare(white); // 網路接受blob作為輸入 const inputBlob = cv.blobFromImage(imgResized); net.setInput(inputBlob); // 前向傳播輸入至整個網路， // 將返回包含每個分類的置信度的1xN矩陣分類結果 const outputBlob = net.forward(); // 找到大於最小置信度的所有標籤 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] })) // 根據置信度排序 .sort((r0, r1) => r1.confidence - r0.confidence) .map(res => `${res.className} (${res.confidence})`); return result;}

這一函數做了這些事：

準備輸入圖像

Tensorflow Inception網路接受224x224大小的輸入圖像。因此我們調整圖像大小，使其最大邊的大小為224，然後用白像素補齊。

讓圖像穿過網路

我們可以直接從圖像創建blob，然後調用net.forward()前向傳播輸入，然後獲取輸出blob.

從輸出blob提取結果

為了通用性，輸出blob的表達形式直接是矩陣（cv.Mat），而它的維度取決於模型。在Inception下這很簡單。blob不過是一個1xN矩陣（其中N等於分類數），描述了所有分類的概率分布。每個條目為一個浮點數，表示相應分類的置信度。所有條目相加，總和為1.0（100%）。

我們想仔細看看圖像可能性最大的分類，因此我們查看所有置信度大於minConfidence（這個例子中是5%）。最後，我們根據置信度排序結果，並返回className、confidence對。

測試

現在我們將讀取一些我們希望網路辨識的樣本數據：

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);});

輸出為：（你可以參考本文開頭的圖片）

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。我們得到了愛基斯摩犬和香蕉圖像非常準確的描述。對於汽車圖像而言，汽車的具體類別不太准，但模型確實辨識出了圖像中的汽車。當然，網路不可能在無限的分類上進行訓練，因此它沒有為最後一張圖像返回「婦女」描述。然而，它確實辨識出了帽子。

COCO SSD

好，模型表現不錯。但是我們如何處理包含多個物體的圖像呢？為了辨識單一圖像中的多個物體，我們將利用單圖多盒檢測器（Single Shot Multibox Detector, SSD）。在我們的第二個例子中，我們將查看一個在COCO（Common Object in Context）數據集上訓練的SSD模型。我們使用的這一模型在84個不同分類上訓練過。

這一模型來自Caffe，因此我們將載入二進位文件VGG_coco_SSD_300x300_iter_400000.caffemodel，以及protoxt文件deploy.prototxt：

// 替換路徑為你解壓縮coco-SSD模型的路徑const ssdcocoModelPath = ../data/dnn/coco-SSD_300x300const 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(從以下網址下載模型 https://drive.google.com/file/d/0BzKzrI_SkD1_dUY1Ml9GRTFpUWc/view); return;}// 從prototxt和modelFile初始化ssdcoco模型const net = cv.readNetFromCaffe(prototxt, modelFile);

基於COCO分類

我們的分類函數和基於Inception的分類函數幾乎一樣，不過這次輸入將是300x300的圖像，而輸出將是1x1xNx7矩陣。

const classifyImg = (img) => { const white = new cv.Vec(255, 255, 255); // ssdcoco模型接受300 x 300圖像 const imgResized = img.resize(300, 300); // 網路接受blob作為輸入 const inputBlob = cv.blobFromImage(imgResized); net.setInput(inputBlob); // 前向傳播輸入至整個網路， // 將返回1x1xNxM矩陣作為分類結果 let outputBlob = net.forward(); // 提取NxM矩陣 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;};

我不是很清楚為何輸出是1x1xNx7矩陣，不過我們實際上只關心Nx7部分。我們可以使用flattenFloat工具函數映射第三、第四維至2D矩陣。與Inception輸出矩陣相比，這次N不對應每個分類，而是檢測到的每個物體。另外，每個物體對應7個條目。

為什麼是7個條目？

記住，這裡我們遇到的問題和之前有點不一樣。我們想要檢測單張圖像中的多個物體，因此我們不可能僅僅給出每個分類的置信度。我們實際上想要得到的是一個指示每個物體在圖中的位置的矩形。7個條目分別為：

1. 我其實毫無頭緒
2. 物體的分類標籤
3. 分類的置信度
4. 矩形左端的x
5. 矩形底部的y
6. 矩形右端的x
7. 矩形頂部的y

輸出矩陣給了我們不少關於結果的信息，這看起來相當整潔。我們同樣可以根據置信度再次過濾結果，並為每個辨識出的物體在圖像中繪製邊框。

看看它的效果！

出於行文的簡潔，我將跳過繪製矩形的代碼，以及其他可視化的代碼。如果你想知道具體是怎麼做的，可以訪問前面提到的github倉庫。

讓我們傳入一張汽車圖像到網路，然後過濾結果，看看是否檢測到了car分類：

很棒！下面提高一下難度。讓我們試下……一張早餐桌？

很不錯！

最後的話

如果你想進一步嘗試，我建議你查看Caffe Model Zoo，其中提供了用於不同用例的已訓練模型，你可以直接下載。

如果你基於OpenCV和DNN做了很棒的應用，我會很感興趣！歡迎留言分享。