DIY 深度学习项目

要进行视频跟踪，算法分析连续的视频帧并输出目标在帧之间的运动。各种算法各有优缺点。选择哪种算法时需要考虑其预期用途。视觉跟踪系统有两个主要组成部分：目标表示和定位，以及滤波和数据关联。

视频跟踪是使用相机随时间定位移动物体（或多个物体）的过程。它有多种用途，包括：人机交互、安全与监控、视频通信与压缩、增强现实、交通控制、医学成像和视频编辑。

这是你需要的所有代码来重现它：

import numpy as np
import cv2
import argparse
from collections import deque

cap=cv2.VideoCapture(0)

pts = deque(maxlen=64)

Lower_green = np.array([110,50,50])
Upper_green = np.array([130,255,255])
while True:
	ret, img=cap.read()
	hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
	kernel=np.ones((5,5),np.uint8)
	mask=cv2.inRange(hsv,Lower_green,Upper_green)
	mask = cv2.erode(mask, kernel, iterations=2)
	mask=cv2.morphologyEx(mask,cv2.MORPH_OPEN,kernel)
	#mask=cv2.morphologyEx(mask,cv2.MORPH_CLOSE,kernel)
	mask = cv2.dilate(mask, kernel, iterations=1)
	res=cv2.bitwise_and(img,img,mask=mask)
	cnts,heir=cv2.findContours(mask.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2:]
	center = None

	if len(cnts) > 0:
		c = max(cnts, key=cv2.contourArea)
		((x, y), radius) = cv2.minEnclosingCircle(c)
		M = cv2.moments(c)
		center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))

		if radius > 5:
			cv2.circle(img, (int(x), int(y)), int(radius),(0, 255, 255), 2)
			cv2.circle(img, center, 5, (0, 0, 255), -1)

	pts.appendleft(center)
	for i in xrange (1,len(pts)):
		if pts[i-1]is None or pts[i] is None:
			continue
		thick = int(np.sqrt(len(pts) / float(i + 1)) * 2.5)
		cv2.line(img, pts[i-1],pts[i],(0,0,225),thick)

	cv2.imshow("Frame", img)
	cv2.imshow("mask",mask)
	cv2.imshow("res",res)

	k=cv2.waitKey(30) & 0xFF
	if k==32:
		break
# cleanup the camera and close any open windows
cap.release()
cv2.destroyAllWindows()

是的，54 行代码。很简单，对吧？你需要在电脑上安装 OpenCV，如果你有 Mac，可以查看这个：

在 MacOS 上安装 OpenCV 3

在这篇文章中，我们将提供在 MacOS 和 OSX 上安装 OpenCV 3.3.0（C++ 和 Python）的逐步说明…

如果你有 Ubuntu：

OpenCV：在 Ubuntu 上安装 OpenCV-Python

现在我们已经有了所有必要的依赖项，接下来安装 OpenCV。安装需要通过 CMake 配置。它… docs.opencv.org

如果你有 Windows：

在 Windows 上安装 OpenCV-Python - OpenCV 3.0.0-dev 文档

在本教程中，我们将学习如何在 Windows 系统上设置 OpenCV-Python。以下步骤已在 Windows 7-64 上测试过…

2. 疲劳检测 OpenCV

akshaybahadur21/Drowsiness_Detection

通过在 GitHub 上创建一个账户来为 Drowsiness_Detection 开发做出贡献。 github.com

这可以用于那些长时间驾驶的骑手，可能会导致事故。该代码可以检测你的眼睛，并在用户打瞌睡时发出警报。

依赖

cv2
immutils
dlib
scipy

算法

每只眼睛由 6 个（x，y）坐标表示，从眼睛的左上角开始（就像你在看那个人一样），然后顺时针环绕眼睛：

条件

它检查 20 个连续的帧，如果眼睛纵横比小于 0.25，则会生成警报。

关系

总结

3. 使用 Softmax 回归进行数字识别

akshaybahadur21/Digit-Recognizer

Digit-Recognizer - 识别数字的机器学习分类器 github.com

这段代码帮助你使用 softmax 回归分类不同的数字。你可以安装 Conda 来解决机器学习的所有依赖关系。

描述

Softmax 回归（同义词：多项逻辑回归、最大熵分类器或多类逻辑回归）是逻辑回归的一种推广，我们可以用于多类分类（假设类别是相互排斥的）。相对而言，在二分类任务中，我们使用（标准）逻辑回归模型。

Python 实现

使用的数据集是 MNIST，图像大小为 28 X 28，计划是使用逻辑回归、浅层网络和深度神经网络来分类 0 到 9 的数字。

这里最好的部分之一是他使用 Numpy 编码了三个模型，包括优化、前向和反向传播以及所有其他内容。

对于逻辑回归：查看代码

对于浅层神经网络：查看代码

最终使用深度神经网络：查看代码

通过网络摄像头写入的执行

要运行代码，输入python Dig-Rec.py

python Dig-Rec.py

通过网络摄像头显示图像的执行

要运行代码，输入python Digit-Recognizer.py

python Digit-Recognizer.py

Devanagiri 识别

akshaybahadur21/Devanagiri-Recognizer

Devanagiri-Recognizer - 使用卷积网络的印地语字母分类器 github.com

这段代码帮助你使用卷积网络对印地语（Devanagiri）不同字母进行分类。你可以安装 Conda 来解决机器学习的所有依赖关系。

使用的技术

我使用了卷积神经网络。我使用 Tensorflow 作为框架，Keras API 提供高级抽象。

架构

CONV2D → MAXPOOL → CONV2D → MAXPOOL → FC → Softmax → 分类

一些额外的点

你可以添加额外的卷积层。
添加正则化以防止过拟合。
你可以添加额外的图像到训练集中，以提高准确性。

Python 实现

数据集- DHCD（Devanagari 字符数据集），图像大小为 32 X 32，并使用卷积网络。

要运行代码，输入python Dev-Rec.py

python Dev-Rec.py

4. 使用 FaceNet 进行面部识别

akshaybahadur21/Facial-Recognition-using-Facenet

Facial-Recognition-using-Facenet - 使用 facenets 实现面部识别。

这段代码帮助进行面部识别，使用 facenets（arxiv.org/pdf/1503.03832.pdf）。facenets 的概念最初在一篇研究论文中提出。主要概念涉及三元组损失函数，用于比较不同人的图像。这个概念使用了 inception 网络，源码来自于此，而 fr_utils.py 来自于 deeplearning.ai 作为参考。我添加了自己的一些功能，以提供稳定性和更好的检测。

代码要求

你可以为 Python 安装 Conda，它解决了所有机器学习的依赖关系，你将需要：

numpy
matplotlib
cv2
keras
dlib
h5py
scipy

描述

面部识别系统是一种技术，能够通过数字图像或视频源中的视频帧来识别或验证一个人。面部识别系统有多种工作方法，但一般来说，它们通过将选定的面部特征与数据库中的面部进行比较来工作。

添加的功能

仅在你的眼睛睁开时检测面部。（安全措施）。
使用 dlib 的面部对齐功能，以便在实时流媒体中有效预测。

Python 实现

使用的网络- Inception 网络
原始论文——Google 的 Facenet

步骤

如果你想训练网络，运行Train-inception.py，然而你不需要这样做，因为我已经训练了模型并将其保存为face-rec_Google.h5文件，该文件在运行时会被加载。
现在你需要在你的数据库中有图像。代码会检查/images文件夹。你可以将图片粘贴到那里，或者使用网络摄像头拍摄。为此，运行create-face.py，图像将存储在/incept文件夹中。你需要手动将它们粘贴到/images文件夹中。
运行rec-feat.py来运行应用程序。

5. Emojinator

akshaybahadur21/Emojinator

Emojinator - 一个简单的表情符号分类器。

这段代码帮助你识别和分类不同的表情符号。目前，我们仅支持手部表情符号。

代码要求

你可以为 Python 安装 Conda，它解决了所有机器学习的依赖关系，你将需要：

numpy
matplotlib
cv2
keras
dlib
h5py
scipy

描述

表情符号是用于电子消息和网页的表意符号和笑脸。表情符号存在于各种类型中，包括面部表情、常见物品、地点和天气类型以及动物。它们很像表情符号，但表情符号是实际的图片，而不是文字。

功能

过滤器以检测手部。
用于训练模型的 CNN。

Python 实现

使用的网络 - 卷积神经网络

过程

首先，你必须创建一个手势数据库。为此，运行CreateGest.py。输入手势名称，你将看到 2 帧显示。查看轮廓帧，并调整你的手，确保捕捉到手部特征。按 'c' 以捕捉图像。它将拍摄 1200 张同一手势的图像。尝试在帧内稍微移动手，以确保你的模型在训练时不会过拟合。
对你想要的所有特征重复此操作。
运行CreateCSV.py将图像转换为 CSV 文件
如果你想训练模型，请运行‘TrainEmojinator.py’
最后，运行Emojinator.py来通过网络摄像头测试你的模型。

贡献者

Akshay Bahadur 和 Raghav Patnecha。

结语

我只能说我对这些项目印象深刻，你可以在你的电脑上运行所有这些项目，或者更简单地在Deep Cognition平台上运行，如果你不想安装任何东西，并且它可以在线运行。

我想感谢 Akshay 和他的朋友们为这个伟大的开源贡献做出的努力，也感谢所有将来的贡献者。尝试这些，运行它们，获取灵感。这只是深度学习和计算机视觉能够做的惊人事物的一个小例子，最终由你来将其转化为能够帮助世界变得更美好的东西。

永不放弃，我们需要每个人对许多不同的事物感兴趣。我认为我们可以改变世界，使其变得更好，改善我们的生活、工作方式、思维方式和解决问题的方法。如果我们将所有现有资源集中起来，使这些知识领域为更大的利益而协作，我们可以对世界和我们的生活产生巨大的积极影响。

我们需要更多感兴趣的人，更多课程，更多专业化，更多热情。我们需要你 :)

感谢阅读。我希望你在这里找到了一些有趣的东西 :)

如果你有问题，可以在 Twitter 上添加我：

[Favio Vázquez (@FavioVaz) | Twitter

*Favio Vázquez (@FavioVaz) 最新的推文。数据科学家。物理学家和计算工程师。我有一…*twitter.com](https://twitter.com/FavioVaz)

和 LinkedIn:

[Favio Vázquez — 首席数据科学家 — OXXO | LinkedIn

*查看 Favio Vázquez 在 LinkedIn 的个人资料，全球最大的专业社区。Favio 列出了 15 个工作…*linkedin.com](http://linkedin.com/in/faviovazquez/)

那里见 :)

简历: Favio Vazquez 是一位物理学家和计算机工程师，专注于数据科学和计算宇宙学。他对科学、哲学、编程和音乐充满热情。目前，他担任 Oxxo 的首席数据科学家，致力于数据科学、机器学习和大数据。他还是 Ciencia y Datos 的创始人，这是一个西班牙语的数据科学出版物。他喜欢接受新挑战，与优秀的团队合作，并解决有趣的问题。他参与了 Apache Spark 的合作，帮助维护 MLlib、核心库和文档。他热衷于将自己的科学知识、数据分析、可视化和自动学习的专长应用于帮助世界变得更美好。

原文。经许可转载。

相关:

一个“奇怪”的深度学习入门
成为数据科学家的两面性
我深入学习深度学习的历程

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

diy-deep-learning-projects.md

diy-deep-learning-projects.md

DIY 深度学习项目

LinkedIn 数据科学社区

我们的前三大课程推荐

从深度学习和计算机视觉开始

1. 使用 OpenCV 进行手部运动

2. 疲劳检测 OpenCV

3. 使用 Softmax 回归进行数字识别

Devanagiri 识别

4. 使用 FaceNet 进行面部识别

5. Emojinator

结语

更多相关话题

Files

diy-deep-learning-projects.md

Latest commit

History

diy-deep-learning-projects.md

File metadata and controls

DIY 深度学习项目

LinkedIn 数据科学社区

我们的前三大课程推荐

从深度学习和计算机视觉开始

1. 使用 OpenCV 进行手部运动

2. 疲劳检测 OpenCV

3. 使用 Softmax 回归进行数字识别

Devanagiri 识别

4. 使用 FaceNet 进行面部识别

5. Emojinator

结语

更多相关话题