Agora新增支持Python:视频通话中也可做图像识别了

来源:云巴巴 时间:2019-09-16 17:27:52

近两年来,Python在众多编程语言中的热度一直稳居前五,热门程度可见一斑。Python 拥有很活跃的社区和丰富的第三方库,Web 框架、爬虫框架、数据分析框架、机器学习框架等,开发者无需重复造轮子,可以用 Python 进行 Web 编程、网络编程,开发多媒体应用,进行数据分析,或实现图像识别等应用。其中图像识别是最热门的应用场景之一,也是与实时音视频契合度最高的应用场景之一。

声网Agora 现已支持 Python 语言,我们还写了一份 Python demo,并已分享至 Github。本文将从 TensorFlow 图像识别讲起,并讲 TensorFlow 与 Agora Python SDK 结合,在实时音视频场景中实现图像识别。实现后的效果,如下图所示。

实时通话中成功识别左图中的人、椅子和显示器

TensorFlow图片物体识别

TensorFlow是Google的开源深度学习库,你可以使用这个框架以及Python编程语言,构建大量基于机器学习的应用程序。而且还有很多人把TensorFlow构建的应用程序或者其他框架,开源发布到GitHub上。所以我们今天主要基于Tensorflow学习下物体识别。

TensorFlow提供了用于检测图片或视频中所包含物体的API,详情可参考以下链接:

https://github.com/tensorflow/models/tree/master/research/object_detection

物体检测是检测图片中所出现的全部物体并且用矩形(Anchor Box)进行标注,物体的类别可以包括多种,例如人、车、动物、路标等。举个例子了解TensorFlow物体检测API的使用方法,这里使用预训练好的ssd_mobilenet_v1_coco模型(Single Shot MultiBox Detector),更多可用的物体检测模型可以参考这里:

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md#coco-trained-models-coco-models

加载库

  1. # -*- coding:
  2. utf-8 -*-
  3. import numpy as
  4. np
  5. import
  6. tensorflow as tf
  7. import
  8. matplotlib.pyplot as plt
  9. from PIL import
  10. Image
  11. from utils
  12. import label_map_util
  13. from utils
  14. import visualization_utils as vis_util

定义一些常量

  1. PATH_TO_CKPT = 'ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb'
  1. PATH_TO_LABELS = 'ssd_mobilenet_v1_coco_2017_11_17/mscoco_label_map.pbtxt'
  1. NUM_CLASSES = 90

加载预训练好的模型

  1. detection_graph = tf.Graph
  2. with detection_graph.as_default:
  3. od_graph_def = tf.GraphDef
  4. with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
  5. od_graph_def.ParseFromString(fid.read)
  6. tf.import_graph_def(od_graph_def, name='')

加载分类标签数据

  1. label_map = label_map_util.load_labelmap(PATH_TO_LABELS)
  1. categories = label_map_util.convert_label_map_to_categories(label_map,max_num_classes=NUM_CLASSES, use_display_name=True)
  1. category_index = label_map_util.create_category_index(categories)

一个将图片转为数组的辅助函数,以及测试图片路径

  1. def load_image_into_numpy_array(image):
  2. (im_width, im_height) = image.size
  3. return np.array(image.getdata).reshape((im_height, im_width, 3)).astype(np.uint8)
  4. TEST_IMAGE_PATHS = ['test_images/image1.jpg', 'test_images/image2.jpg']

使用模型进行物体检测

  1. with detection_graph.as_default:
  2. with tf.Session(graph=detection_graph) as sess:
  3. image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
  4. detection_boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
  5. detection_scores = detection_graph.get_tensor_by_name('detection_scores:0')
  6. detection_classes = detection_graph.get_tensor_by_name('detection_classes:0')
  7. num_detections = detection_graph.get_tensor_by_name('num_detections:0')
  8. for image_path in TEST_IMAGE_PATHS:
  9. image = Image.open(image_path)
  10. image_np = load_image_into_numpy_array(image)
  11. image_np_expanded = np.expand_dims(image_np, axis=0)
  12. (boxes, scores, classes, num) = sess.run(
  13. [detection_boxes, detection_scores, detection_classes, num_detections],
  14. feed_dict={image_tensor: image_np_expanded})
  15. vis_util.visualize_boxes_and_labels_on_image_array(image_np, np.squeeze(boxes), np.squeeze(classes).astype(np.int32), np.squeeze(scores), category_index, use_normalized_coordinates=True, line_thickness=8)
  16. plt.figure(figsize=[12, 8])
  17. plt.imshow(image_np)
  18. plt.show

检测结果如下,第一张图片检测出了两只狗狗

实时音视频场景下TensorFlow物体识别

既然Tensorflow在静态图片的物体识别已经相对成熟,那在现实场景中,大量的实时音视频互动场景中,如何来做物体识别?我们现在基于声网实时视频的SDK,阐述如何做物体识别。

首先我们了解视频其实就是由一帧一帧的图像组合而成,所以从这个层面来说,视频中的目标识别就是从每一帧图像中做目标识别,从这个层面上讲,二者没有本质区别。在理解这个前提的基础上,我们就可以相对简单地做实时音视频场景下Tensorflow物体识别。

(1)读取Agora实时音视频,截取远端视频流的图片

  1. def onRenderVideoFrame(uid, width, height, yStride,
  2. uStride, vStride, yBuffer, uBuffer, vBuffer,
  3. rotation, renderTimeMs, avsync_type):
  4. # 用 isImageDetect 字段判断前一帧图像是否已完成识别,若完成置为True,执行以下代码,执行完置为false
  5. if EventHandlerData.isImageDetect:
  6. y_array = (ctypes.c_uint8 * (width * height)).from_address(yBuffer)
  7. u_array = (ctypes.c_uint8 * ((width // 2) * (height // 2))).from_address(uBuffer)
  8. v_array = (ctypes.c_uint8 * ((width // 2) * (height // 2))).from_address(vBuffer)
  9. Y = np.frombuffer(y_array, dtype=np.uint8).reshape(height, width)
  10. U = np.frombuffer(u_array, dtype=np.uint8).reshape((height // 2, width // 2)).repeat(2, axis=0).repeat(2, axis=1)
  11. V = np.frombuffer(v_array, dtype=np.uint8).reshape((height // 2, width // 2)).repeat(2, axis=0).repeat(2, axis=1)
  12. YUV = np.dstack((Y, U, V))[:height, :width, :]
  13. # AI模型中大多数模型都是RGB格式训练,声网提供的视频回调数据源是YUV格式,我们做下格式转换
  14. RGB = cv2.cvtColor(YUV, cv2.COLOR_YUV2RGB, 3)
  15. EventHandlerData.image = Image.fromarray(RGB)
  16. EventHandlerData.isImageDetect = False

(2)Tensorflow对截取图片进行物体识别

  1. class objectDetectThread(QThread):
  2. objectSignal = pyqtSignal(str)
  3. def __init__(self):
  4. super.__init__
  5. def run(self):
  6. detection_graph = EventHandlerData.detection_graph
  7. with detection_graph.as_default:
  8. with tf.Session(graph=detection_graph) as sess:
  9. (im_width, im_height) = EventHandlerData.image.size
  10. image_np = np.array(EventHandlerData.image.getdata).reshape((im_height, im_width, 3)).astype(np.uint8)
  11. image_np_expanded = np.expand_dims(image_np, axis=0)
  12. image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
  13. boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
  14. scores = detection_graph.get_tensor_by_name('detection_scores:0')
  15. classes = detection_graph.get_tensor_by_name('detection_classes:0')
  16. num_detections = detection_graph.get_tensor_by_name('num_detections:0')
  17. (boxes, scores, classes, num_detections) = sess.run(
  18. [boxes, scores, classes, num_detections],
  19. feed_dict={image_tensor: image_np_expanded})
  20. objectText = []
  21. # 如果识别概率大于百分之四十,我们就在文本框内显示所识别物体
  22. for i, c in enumerate(classes[0]):
  23. if scores[0][i] > 0.4
  24. object = EventHandlerData.category_index[int(c)]['name']
  25. if object not in objectText:
  26. objectText.append(object)
  27. else:
  28. break
  29. self.objectSignal.emit(', '.join(objectText))
  30. EventHandlerData.detectReady = True
  31. # 本帧图片识别完,isImageDetect 字段置为True,再次开始读取并转换Agora远端实时音视频
  32. EventHandlerData.isImageDetect = True

我们已经将这个Demo 以及Agora Python SDK 上传至Github,大家可以直接下载使用。

Agora Python TensorFlow Demo:

https://github.com/AgoraIO-Community/Agora-Python-Tensorflow-Demo

Agora Python TensorFlow Demo编译指南:

  •  
  • 若是 Windows,复制.pyd and .dll文件到本项目文件夹根目录;若是IOS,复制.so文件到本文件夹根目录
  • 下载TensorFlow 模型,然后把 object_detection 文件复制.到本文件夹根目录
  • 安装 Protobuf,然后运行:protoc object_detection/protos/*.proto --python_out=.
  •  
  • 推荐使用 ssd_mobilenet_v1_coco 和 ssdlite_mobilenet_v2_coco,因为他们相对运行较快
  • 提取 frozen graph,命令行运行:python extractGraph.py --model_file='FILE_NAME_OF_YOUR_MODEL'
  • 最后,在 callBack.py 中修改 model name,在 demo.py 中修改Appid,然后运行即可

请注意,这个 Demo 仅作为演示使用,从获取到远端实时视频画面,到TensorFlow 进行识别处理,再到显示出识别效果,期间需要2至4 秒。不同网络情况、设备性能、算法模型,其识别的效率也不同。感兴趣的开发者可以尝试更换自己的算法模型,来优化识别的延时。

 

 

服务科技创新、共建美好生态
客服咨询
客服电话:010-88508200
kefu@yun88.com
lishilei@yun88.com
关注微信公众号
版权所有2003-2019北京云巴巴信息技术有限公司 京ICP备19041846号-1