Opencv+TF-Slim实现图像分类及深度特征提取
Opencv+TF-Slim实现图像分类及深度特征提取
点击上方↑↑↑“OpenCV学堂”关注我
投稿作者：小黄弟, 来自:中国电科智慧城市建模仿真与智能技术重点实验室 文字编辑：gloomyfish 如果你觉得文章对你有帮助，欢迎转发支持
tf-slim
TF-Slim是一个用于定义、训练和评估复杂模型的tensorflow轻量级库，在slim库中已经有很多官方实现的网络并用ImageNet进行了预训练，如VGG、ResNet、Inception等，可直接拿来使用。本文将用Opencv的dnn模块调用预训练的InceptionV4模型进行图像分类及深度特征的提取。
首先需要下载tensorflow的model模块，地址为
https://github.com/tensorflow/models/slim位于 \models-master\research\slim路径下在https://github.com/tensorflow/models/tree/master/research/slim下载预训练的分类模型，如图
下载InceptionV4的Checkpoint文件，格式为ckpt，Opencv只能调用冻结好的pb文件，所以需要将ckpt文件转为pb文件。在slim下新建文件夹为checkpoint，并将下载的inception_v4.ckpt放于该文件夹下。用slim下的export_inference_graph.py文件导出InceptionV4的图，大小为1M左右的my_inception_v4.pb。再通过tensorflow的freeze_graph.py文件导出冻结的InceptionV4文件，大小为160M左右的inception_v4_freeze.pb。此文件用于被Opencv调用。
基于InceptionV4实现图像分类
无废话版本，OpenCV DNN模块支持导入Inception v4模型，实现图像分类，代码演示如下:
Mat img, proBlob, prob;
Pointclass_number;
doubleclassProb;
intclass_id, class_id1;
img=imread("cat.jpg");
Netnet = readNetFromTensorflow("inception_v4_freeze.pb");
//net.setPreferableBackend(DNN_BACKEND_OPENCV); //启动GPU加速
//net.setPreferableTarget(DNN_TARGET_OPENCL); //启动GPU加速
if (net.empty())
{
cout<<"model file is not found"<<endl;
return -1;
}
proBlob=blobFromImage(img, 1/255.0, Size(299, 299), Scalar(0, 0, 0), true, false);
net.setInput(proBlob, "input");
prob=net.forward("InceptionV4/Logits/Predictions");
MatproMax = prob.reshape(1, 1);
minMaxLoc(proMax, NULL, &classProb, NULL, &class_number);
class_id = class_number.x; //获得预测索引
cout<<"class_id:"<<class_id<<endl;运行输出结果为：
在classification_classes_ILSVRC2012.txt中对应的类别为Siamese cat, Siamese.
基于InceptionV4实现特征提取
图像分类模型最后逻辑层是输出分类得分，最后一个卷积层/池化层输出的结果为图像特征数据，通过在推断时候指定该层名称就可以实现在OpenCV DNN中通过CNN网络实现图像特征提取，对Inception V4模型来说，在forward时候把图像分类输出层
"InceptionV4/Logits/Predictions"改为
"InceptionV4/Logits/AvgPool_1a/AvgPool"即可得到图像特征，代码演示如下：
Mat img, proBlob, prob;
Pointclass_number;
doubleclassProb;
intclass_id, class_id1;
img=imread("cat.jpg");
Netnet = readNetFromTensorflow("inception_v4_freeze.pb");
//net.setPreferableBackend(DNN_BACKEND_OPENCV); //启动GPU加速
//net.setPreferableTarget(DNN_TARGET_OPENCL); //启动GPU加速
if (net.empty())
{
cout<<"model file is not found"<<endl;
return -1;
}
proBlob=blobFromImage(img, 1/255.0, Size(299, 299), Scalar(0, 0, 0), true, false);
net.setInput(proBlob, "input");
prob=net.forward("InceptionV4/Logits/AvgPool_1a/AvgPool");
prob=prob.reshape(1, 1);
cout<<"prob.size():"<<prob.size()<<endl;
cout<<prob<<endl;此时的prob即为深度特征，得到图像特征描述数据如下：
相应代码文件已上传至网盘：
https://pan.baidu.com/s/1Alb9y6T0bT1iOWVA11eATA