使用深度学习对网络摄像头图像进行分类
这个例子展示了如何使用预训练的深度卷积神经网络GoogLeNet对网络摄像头中的图像进行实时分类。
使用MATLAB®、一个简单的网络摄像头和一个深度神经网络来识别周围的物体。本例使用GoogLeNet，这是一种经过预训练的深度卷积神经网络（CNN或ConvNet），已对100多万张图像进行了训练，可将图像分类为1000个对象类别（如键盘、咖啡杯、铅笔和许多动物）。您可以下载GoogLeNet并使用MATLAB连续实时处理相机图像。
GoogLeNet已经学习了大量图像的丰富特征表示。它将图像作为输入，并为图像中的对象和每个对象类别的概率提供标签。你可以在你周围的物体上进行实验，看看GoogLeNet对图像分类的准确程度。要了解更多有关网络对象分类的信息，您可以实时显示前五名班级的分数，而不仅仅是最后的班级决定。
加载摄像机和预训练网络
连接摄像头并加载一个预训练的GoogLeNet网络。在此步骤中，您可以使用任何预训练的网络。该示例需要USB网络摄像头的MATLAB支持包和深度学习工具箱™ 模型金宝app谷歌网. 如果未安装所需的支持软件包，则软件会提供下载链接。金宝app
摄像头=网络摄像头；净=googlenet；
如果您想再次运行示例，请先运行该命令清晰摄像头哪里相机就是网络摄像头的连接。否则，您将看到一个错误，因为您无法创建另一个连接到相同的网络摄像头。
从相机中对快照进行分类
要对图像进行分类，必须将其调整为网络的输入大小。获取InputSize网络图像输入层的属性。图像输入层是网络的第一层。
inputSize=net.Layers（1）.inputSize（1:2）
输入大小=224 224
显示来自相机的图像与预测标签及其概率。在调用之前，必须将图像调整为网络的输入大小分类.
图im =快照(相机);image(im) im = imresize(im,inputSize);(标签,分数)=(净,im)进行分类;标题({char(标签),num2str (max(分数),2)});
连续分类图像从相机
要连续对来自摄影机的图像进行分类，请在循环中包含前面的步骤。在图形打开时运行循环。要停止实时预测，只需关闭数字。使用drawnow在每次迭代结束时更新图。
h =图;而ishhandle (h) im =快照(相机);image(im) im = imresize(im,inputSize);(标签,分数)=(净,im)进行分类;标题({char(标签),num2str (max(分数),2)});drawnow终止
显示前预测
预测的类可以快速变化。因此，将顶部预测显示在一起可能会有所帮助。通过绘制预测得分最高的类，可以显示前五名预测及其概率。
对相机中的快照进行分类。显示带有预测标签及其概率的相机图像。使用分数的输出分类作用
创建图形窗口。首先，将窗口的宽度调整为原来的两倍，并创建两个子图。
h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);
在左边的子图中，图像和分类一起显示。
im=快照（摄像头）；图像（ax1，im）im=imresize（im，inputSize）；[label，score]=分类（net，im）；标题（ax1，{char（label），num2str（max（score），2）}）；
通过选择得分最高的班级，选择前五名预测。
[~, idx] =排序(得分,“下降”); idx=idx（5:-1:1）；classes=净层（end）.classes；classNamesTop=string（classes（idx））；scoreTop=分数（idx）；
以直方图的形式显示前5个预测。
barh（ax2，scoreTop）xlim（ax2，[01]）title（ax2，“前五名”)xlabel（ax2，“概率”)yticklabels（ax2，classNamesTop）ax2.YAxisLocation=“对”；
连续对图像进行分类并显示顶部预测
若要连续对来自摄影机的图像进行分类并显示顶部预测，请在循环中包含前面的步骤。在图形打开时运行循环。若要停止实时预测，只需关闭图形。使用drawnow在每次迭代结束时更新图。
创建图形窗口。首先调整窗口的大小，使其宽度为原来的两倍，并创建两个子图。若要防止轴调整大小，请设置位置约束财产“innerposition”.
h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);ax2。PositionConstraint =“innerposition”；
连续显示和分类图像与直方图的前5个预测。
而ishandle (h)%显示和分类图像im=快照（摄像头）；图像（ax1，im）im=imresize（im，inputSize）；[label，score]=分类（net，im）；标题（ax1，{char（label），num2str（max（score），2）}）；%选择前五个预测[~, idx] =排序(得分,“下降”）;idx = idx (5: 1:1);scoreTop =分数(idx);classNamesTop =字符串(类(idx));绘制直方图barh（ax2，得分榜）头衔（ax2，“前五名”)xlabel（ax2，“概率”)xlim（ax2，[0 1]）yticklabels（ax2，classNamesTop）ax2.YAxisLocation=“对”；drawnow终止
另见
相关的话题
你也可以从以下列表中选择一个网站:
