标签：
因为毕设需要，我首先是用ffmpeg抽取某个宠物视频的关键帧，然后用caffe对这个关键帧中的物体进行分类。
1.抽取关键帧的命令：
E:\graduation design\FFMPEG\bin>ffmpeg -i .\3.mp4 -vf select=‘eq(pict_type\,I)‘,setpts=‘N/(25*TB)‘ .\%09d.jpg
2.用python编写脚本，利用在imagenet上训练的模型分类视频帧中的物体。
抽取得到的视频关键帧都存放在文件夹"/home/sunshineatnoon/Downloads/dogs/dogs/"中，利用python的walk函数遍历文件夹中的图像并分类。
代码如下：
1 import numpy as np 2 import matplotlib.pyplot as plt 3 import os 4 5 caffe_root = ‘/home/sunshineatnoon/Downloads/caffe/‘ 6 import sys 7 sys.path.insert(0,caffe_root+‘python‘) 8 9 import caffe 10 11 MODEL_FILE = caffe_root+‘models/bvlc_reference_caffenet/deploy.prototxt‘ 12 PRETRAINED = caffe_root+‘models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel‘ 13 14 #cpu模式 15 caffe.set_mode_cpu() 16 #定义使用的神经网络模型 17 net = caffe.Classifier(MODEL_FILE, PRETRAINED, 18 mean=np.load(caffe_root + ‘python/caffe/imagenet/ilsvrc_2012_mean.npy‘).mean(1).mean(1), 19 channel_swap=(2,1,0), 20 raw_scale=255, 21 image_dims=(256, 256)) 22 imagenet_labels_filename = caffe_root + ‘data/ilsvrc12/synset_words.txt‘ 23 labels = np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘) 24 25 #对目标路径中的图像，遍历并分类 26 for root,dirs,files in os.walk("/home/sunshineatnoon/Downloads/dogs/dogs/"): 27 for file in files: 28 #加载要分类的图片 29 IMAGE_FILE = os.path.join(root,file).decode(‘gbk‘).encode(‘utf-8‘); 30 input_image = caffe.io.load_image(IMAGE_FILE) 31 32 #预测图片类别 33 prediction = net.predict([input_image]) 34 print ‘predicted class:‘,prediction[0].argmax() 35 36 # 输出概率最大的前5个预测结果 37 top_k = net.blobs[‘prob‘].data[0].flatten().argsort()[-1:-6:-1] 38 print labels[top_k]
一张图像的分类结果如下图所示：
分类结果：
这里不得不感叹下caffe和神经网络的强大，尽管视频帧的分辨率已经这么低了，还是在前5个预测中得到了正确的分类：corgi
还有一张特别惊讶的：
分类结果：
这样都能检测出giant panda和cat，太牛了！
标签：
原文地址：http://www.cnblogs.com/sunshineatnoon/p/4678107.html
