Python OpenCV车辆检测

我正在尝试实施一个程序，以在视频/图片中识别车辆。一个主要的要求是性能（几乎实时），所以我放弃了ImageAI和我使用Keras-VGG16进行额外训练的模型

OpenCV为我提供了所需的性能，但accuray远远不能接受：虽然有时它工作良好，但在下一帧时却失败了

我正在考虑可能的选择： A） 用我自己的图像重新训练一个模型 b） 使用一些图像预处理

任何帮助或线索都将不胜感激

我的代码：

import cv2
import os
car_cascade = cv2.CascadeClassifier('cars3.xml')

#input_path = ...
files = os.listdir(input_path)

for f in files:
    input_file = input_path + '/' + f;
    print(input_file)
    img = cv2.imread(input_file, 1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    cars = car_cascade.detectMultiScale(gray, 1.1, 1)
    for (x, y, w, h) in cars:
        cv2.rectangle(img, (x,y), (x+w,y+h), (0,0,255), 2)
        ncars = ncars + 1
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

例如：

---

您是否尝试过dnn目标检测模块

有几种可用的模型体系结构可以在速度和准确性之间进行权衡

至于测量速度，请尝试执行多个推断并在以后的推断中测量速度，通常第一个推断速度较慢，因为它正在加载模型

下面是一些在视频上运行的示例代码：

如果您的硬件支持，您可以设置后端以进一步提高速度。我看到的最好的表现是今年的GSOC：英伟达后端：

---

级联分类器比深度学习要差得多，实际上甚至没有快得多。尝试使用opencv dnnGood point预先训练的yolo v3或tinyYolo v3。我在ImageAI库中使用了yolo模型，但它没有提供我需要的性能。我刚刚检查了另一个答案提供的例子——与你的答案在同一行——这是一个好的方向。谢谢根据硬件平台和您使用的深度学习框架，您可以尝试使用像intel movidius U盘这样的深度学习加速器插件。非常好的建议我做了一个快速测试，它大大提高了检测效率，同时在没有硬件加速的情况下，将笔记本电脑中的每帧时间保持在100ms以下。非常感谢！！接受它作为正确答案，除非它没有完全解决你的问题，它确实解决了，但我忘了这么做！