使用Tensorflow和python进行对象识别的屏幕抓取

伙计们，我想知道如何使用屏幕抓取的图像，然后使用Tensorflow对数据进行分类，并在对象周围绘制方框，我希望屏幕抓取和分类能够足够快地完成，以连续并模拟视频。在使用cascase-haras方法之前，我已经这样做了。我有一个工作的tensorflow模型和一个自定义的推理图，所有这些都与网络摄像头和视频一起工作。我想知道如何更改以下代码以从图像而不是视频读取相关数据：

def from_img(img):
ret, frame = video.read()   <-- i want to change this line to read this data from the image
frame_expanded = np.expand_dims(frame, axis=0)

# Perform the actual detection by running the model with the image as input
(boxes, scores, classes, num) = sess.run(
    [detection_boxes, detection_scores, detection_classes, num_detections],
    feed_dict={image_tensor: frame_expanded})

# Draw the results of the detection (aka 'visulaize the results')
vis_util.visualize_boxes_and_labels_on_image_array(
    frame,
    np.squeeze(boxes),
    np.squeeze(classes).astype(np.int32),
    np.squeeze(scores),
    category_index,
    use_normalized_coordinates=True,
    line_thickness=8,
    min_score_thresh=0.85)

# All the results have been drawn on the frame, so it's time to display it.
cv2.imshow('Object detector', frame)

来自img（img）的def

ret，frame=video.read（）ret，frame=video.read（）为真如果帧读取正确，则这是ret位，frame只是从视频中提取的一帧，即图像。看来你已经在对视频中的图像进行分类了


如果要对图像进行分类，例如与脚本保存在同一目录中的.jpg文件

img = cv2.imread('img.jpg')

然后以这种方式输入图像

img = cv2.imread('img.jpg')