將深度學習和計算機視覺相結合的隔離項目社會距離化
這個術語已席卷全球，正在改變著我們的生活方式。社交距離也稱為“物理距離”，是指在您自己與其他并非來自家庭的人之間保持安全的空間。隨著該國開始在激增的COVID-19案件中發揮作用，保持社會隔離已成為關鍵問題。與COVID-19情況有關的最大擔憂是感染通過接觸甚至在感染者附近而從一個人傳播到另一個人的速度。與“ Covid-19”戰斗時，“社交距離”的停留時間比預期更長。
因此，這使我開始思考開發一個AI模型，以檢測人們是否在追隨社會隔離并同時戴著口罩。因此，這里是模型結果的樣本。通過使用深度學習和OpenCV，我們可以從視頻剪輯中提取有趣的見解。紅色的邊框表示該人在另一個人的附近，藍色的框表示該人正在保持社交距離。我們有單獨的邊界框，用于識別人員是否戴著口罩。

社交距離和面具檢測

步驟概述
TensorFlow對象檢測API是用于創建解決對象檢測問題的深度學習網絡的框架。該API提供了經過預訓練的對象檢測模型，它們被稱為Model Zoo，已經在COCO數據集中進行了訓練。上下文中的公共對象（COCO）數據集在90個常見對象中具有200,000張圖像，其中有超過500,000個對象注釋。請參閱下面的圖像，這些圖像是COCO數據集的一部分。

可可對象類別
在這種情況下，我們關心的是“人”類，它是COCO數據集的一部分。
該API還支持許多模型。請參閱下表以供參考。API支持的一小部分模型
這些模型在速度和準確性之間進行權衡。在這里，我選擇了ssd_mobilenet_v1_coco來檢測“人”。一旦我們使用對象檢測API識別了“人員”，就可以預測人員是否保持社交距離，我們就可以使用OpenCV，它是一個強大的圖像處理庫。一旦檢測到社交距離，我就使用了faster_rcnn_inception_v2_coco API，該API之前曾使用GPU（NVIDIA Quadro P4000 Linux）在前2000張圖像上進行訓練， 以檢測該人是否戴著口罩。
遵循的主要步驟是

• 將ssd_mobilenet_v1_coco模型加載到圖形中，并加載屬于COCO數據集的類的列表
• 使用cv2.VideoCapture（filename）打開視頻，并逐幀讀取每一幀并將其寫入路徑
• 對于每一幀，使用加載的圖形執行對象檢測
• 從ssd_mobilenet_v1_coco返回的結果是每個已識別的類及其置信度得分和邊界框預測。
• 根據類別和置信度得分> 0.60，如下所示檢測幀中的人數。
• 根據我們先前得到的邊界框預測繪制一個藍色的邊界框，并找到寬度的中點。用ID標記每個邊界框。
• 查找框架中點之間的歐幾里得距離。
• 具有歐氏距離，找到距離小于200的邊界框，并將邊界框的顏色更改為red。
• 將所有代碼段放在一起，使所有幀通過并保存在路徑中。因此，我們將獲得一組社交距離檢測幀
• 將我在頂部訓練的帶蒙版和不帶蒙版圖像的Frozen_inference_graph.pb（faster_rcnn_inception_v2_coco）加載到圖形中，并加載類列表
• 對于每個檢測到的社交距離幀，使用faster_rcnn模型的已加載圖對戴著口罩的人執行對象檢測
• 最后，使用先前獲得的幀，使用python中可用的moviepy包創建視頻

社會隔離以及其他基本衛生措施對于保持Covid-19的傳播速度盡可能慢非常重要。該項目只是概念證明。
最后
感謝大家一直以來的支持，現在活動正式開始，一共三本實體書，資料+電子書是人人都有的，私信【1】即可參與！

總結

以上是生活随笔為你收集整理的欧几里得距离网络_使用Tensorflow对象检测模型和OpenCV的社交距离和遮罩检测器...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。