使用Java和OpenCV调用YOLOv3完成实施目标检测，识别到目标就将包含目标的图片保存下来，没有目标就不保存。详细代码以及步骤。
第一步:在IDEA中完成对OpenCV包的导入
从官网上下载OpenCV：Releases - OpenCV。选择window版本下载，解压之后
把 opencvbuild目录下的java文件整个复制到项目文件下，名字随意。
File>Project Structure>Libraries ，选择+号，选择java，之后选择jar包位置。导入即可。
这里我已经导入过了。最后再配置dll
Run>Edit Configurations ，选中你所要配置的java文件，填入以下内容：
-Djava.library.path=$PROJECT_DIR$opencvx64 （64位选x64,32位选x86）
第二步：完成目标检测
首先下载darknet:GitHub - pjreddie/darknet: Convolutional Neural Networks
为了方便操作，这里只需要将darknet的路径以及保存的图片路径修改为自己的即可。下边直接上代码。当然你也可以训练自己的YOLOv3模型来完成相关的操作。
主程序
import org.opencv.core.*;
import org.opencv.core.Point;
import org.opencv.dnn.Dnn;
import org.opencv.dnn.Net;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.videoio.VideoCapture;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;
import java.util.ArrayList;
import java.util.List;
import static org.opencv.dnn.Dnn.NMSBoxes;
import static org.opencv.highgui.HighGui.*;
import static org.opencv.highgui.HighGui.waitKey;
import static org.opencv.imgproc.Imgproc.*;
import static org.opencv.imgproc.Imgproc.FONT_HERSHEY_SIMPLEX;
public class VideoDet{
final static String ROOTDIR = "E:\ZxxProject\darknet-master"; // 根路径
final static float ConTHRES = 0.8f; // 置信度阈值
final static float NMSTHRES = 0.8f; // iou阈值
final static List CLASSES = new ArrayList<>(); // 存放类别的列表集合（这里直接用的原模型，所以是80类）
public static int count=0;//标记，用来间隔多少次来保存图片
public static boolean judge=true;
public static void main(String[] args) {
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);//必须要加，不然程序不可执行
//配置 权重 图片路径 类别文件
String modelConfiguration = ROOTDIR + "\cfg\yolov3.cfg"; // 模型配置文件
String modelWeights = ROOTDIR + "\yolov3.weights"; // 模型权重文件
String classesFile = ROOTDIR + "\data\coco.names"; // 模型可识别类别的标签文件
// 进入识别图片的方法
try {
detect_image(modelWeights, modelConfiguration, classesFile);
} catch (Exception e) {
e.printStackTrace();
}
}
启动摄像头
public static void detect_image(String modelWeights, String modelConfiguration, String classesFile) throws Exception {
// 使用字节输入流读取classesFile路径的文件(从硬盘读取数据到内存)
InputStream inputStream = new FileInputStream(classesFile);
int allByte = inputStream.available();
byte[] bytes = new byte[allByte]; //通过调节allByte的值来完成每次读取多少字节，这里直接读完
inputStream.read(bytes);
String allContent = new String(bytes); // 文件中的所有内容
String[] tempContent = allContent.trim().split("n"); // allContent去除首尾空格，再按换行符分割。
// 遍历tempContent，添加到保存类别名的列表classes里。
for(int i=0; i ln = net.getLayerNames(); // 获得YOLO各层的名字
List x = new ArrayList<>();
List> out = new ArrayList<>();
List temp = net.getUnconnectedOutLayers().toList(); // 获得未连接的输出层的索引列表
out.add(temp);
// out中存放的是一个List ,get(0)得到的就是list i 索引列表
List i = out.get(0);
System.out.println(i.size()); // 3
for (int a = 0; a < i.size(); a++) {
String n = ln.get(i.get(a) - 1); // 输出层的名字
x.add(n); // 找到所有的输出层
}
ln = x; // 给ln重新赋值
// 矩阵列表 [Mat[...], Mat[...], Mat[...]]
List outs = new ArrayList();
net.forward(outs, ln); // ln此时为输出层的名字列表，向前传播，将得到的检测结果传入outs
// 检测识别
detection(frame, outs);
}
}
检测摄像头中的目标
public static void detection(Mat frame, Listouts) { System.out.println("检测过程开始"); List boxes = new ArrayList<>(); // 矩形框列表 List classIds = new ArrayList<>(); // 类的序号列表 List confidences = new ArrayList<>(); // 置信度列表 List indices = new ArrayList<>(); //数量标记 MatOfRect2d newbox = new MatOfRect2d(); MatOfFloat newconf = new MatOfFloat(); MatOfInt ind = new MatOfInt(); ind.fromList(indices); //TODO for (int i = 0; i < outs.size(); i++) { Mat mat = outs.get(i); // 循环每一个mat对象 for (int j = 0; j < mat.rows(); j++) { int probaility_index = 5; // [x,y,h,w,c,class1,class2] 所以是标号5 int size = (mat.cols() * mat.channels()); float[] data = new float[size]; mat.get(j, 0, data); float confidence = -1;//初始值设为-1， int classId = -1; // 按列循环 for (int k = 0; k < mat.cols(); k++) { if (k >= probaility_index && confidence < data[k]) { confidence = data[k]; // 最大值付给confidence classId = k - probaility_index; // 得到检测的类别索引 } } // 过滤掉置信度较小的检测结果 if (confidence > 0.6) { System.out.println("Result Object:" + j); for (int k = 0; k < mat.cols(); k++) { if (data[k] > 0) { System.out.println(" " + k + ":" + data[k]); } } float x = data[0]; // centerX 矩形中心点的X坐标 float y = data[1]; // centerY 矩形中心点的Y坐标 float width = data[2]; // 矩形框的宽 float height = data[3]; //矩形框的高 float xLeftBottom = (x - width / 2) * frame.cols(); // 矩形左下角点的X坐标 float yLeftBottom = (y - height / 2) * frame.rows(); // 矩形左下角点的Y坐标 float xRightTop = (x + width / 2) * frame.cols(); // 矩形右上角点的X坐标 float yRightTop = (y + height / 2) * frame.rows(); // 矩形右上角点的Y坐标 // boxes主要包括左下角坐标与右上角坐标 boxes.add(new Rect2d(new Point(xLeftBottom, yLeftBottom), new Point(xRightTop, yRightTop))); newbox.fromList(boxes); confidences.add(confidence); newconf.fromList(confidences); classIds.add(classId); } } } //使用OpenCV的非极大抑制 NMSBoxes(newbox, newconf, CONTHRES, NMSTHRES, ind); //当摄像头中无出现目标的时候，newbox/newconf.cols()==0，有目标则是1。 if (newbox.cols() == 0 && newconf.cols() == 0) { imshow("实时检测", frame); waitKey(-1); return; } List indices1 = ind.toList(); List bboxs1 = newbox.toList(); List conf1 = newconf.toList(); List cutImages = new ArrayList<>(); int a = 0; if (indices1.size() > 0) { for (int b = 0; b < indices1.size(); b++) { a = a + 1; Rect2d box = bboxs1.get(indices1.get(b)); Point p1 = box.tl(); // 获得左 上角点 Point p2 = box.br(); // 获得右下角点 int classId = classIds.get(a - 1); // 得到类别序号 float confidence = conf1.get(a - 1); // 得到置信度值 // 在原图上绘制目标边框 drawPic(classId, confidence, frame, p1, p2); cutImages.add(frame); } } System.out.println("cutImages" + cutImages); // 将含有目标的图片存入本地路径，无目标不保存 String outputFilePath = "E:\ZxxProject\darknet-master\imgRes"; for (int i = 0; i < cutImages.size(); i++) { Mat mat = cutImages.get(i); //显示图片 imshow("实时检测", mat); // 显示图片 waitKey(-1); if (count % 10 == 0) { MatOfByte mob = new MatOfByte(); Imgcodecs.imencode(".jpg", mat, mob); byte[] byteArray = mob.toArray(); ByteArrayInputStream in = new ByteArrayInputStream(byteArray); try { BufferedImage image = ImageIO.read(in); OutputStream bOut = new FileOutputStream(outputFilePath + "/" + count + ".jpg"); ImageIO.write(image, "jpg", bOut); } catch (IOException e) { e.printStackTrace(); } } } }
绘制边框程序
public static void drawPic(int classId, float confidence, Mat im, Point p1, Point p2){
String text;
double x = p1.x; // p1 的 x 坐标
double y = p1.y; // p1 的 y 坐标
if(classId == 0){
System.out.println("1");
rectangle(im, p1, p2, new Scalar(0, 0, 255), 1);
text = CLASSES.get(classId) + ":" + confidence;
putText(im, text, new Point(x, y-5), FONT_HERSHEY_SIMPLEX, 0.3, new Scalar(0, 255, 0), 1);
}else {
System.out.println("2");
rectangle(im, p1, p2, new Scalar(0, 255, 0), 1); // 画框
text = String.format("%s %f", CLASSES.get(classId), confidence); // 标签内容
System.out.println(text);
putText(im, text, new Point(x, y-5), FONT_HERSHEY_SIMPLEX, 0.5, new Scalar(0, 0, 255), 1);
}
}
}
第三步：结果
结果中可能出现的绘制的框过多的现象，代码还有许多优化的地方，可以在评论中留言。
参考文章
[1] opencv调用yolov3模型进行深度学习目标检测（Java版）_w112112_的博客-CSDN博客
[2] 使用python+opencv+yolov3实现实时目标检测_Lz~ryeom的博客-CSDN博客
