上期文章，我们分享了如何使用opencv 与MobileNet SSD模型来检测给定的图片，有网友反馈能否提供一下视频流的实时检测代码，其实我们在分享人脸识别的时候，分享了如何使用cv2.videoCpature 类来从视频中实时提取视频中的图片，进行人脸的识别，视频流的对象检测跟opencv的人脸检测一致，也可以使用cv2.videoCpature 类来从视频中实时提取视频中的图片，进行图片的对象检测，此类代码可以参考往期文章人工智能-Dlib+Python实现人脸识别

本期我们使用另外一个第三方库imutils，首先使用pip install imutils来安装

1 导入需要的第三方库

2 初始化训练模型

此部分代码跟图片检测一致

#14 # 15 输入prototxt与caffe 的模型文件地址

#17 class列表是SSD caffe检测模型中的20个label标签，还包括一个background

#21 针对每个label，随机建一个颜色，以便后期检测图片时 ，使用不同的颜色框，以便区分

# 22 使用cv的dnn加载模型数据

3 初始化视频对象

# 25 启动摄像头，src=0 ，默认是打开设备的默认摄像头

# 26 延时 ，以便摄像头打开

# 27 启动视频帧记录函数

4 视频流检测

视频流的对象检测与图片的检测过程一致，每行代码几乎都有注释，不再一一介绍

主要的区别是：图片检测首先定义了图片地址，视频检测，在视频流中提图片

# 31 resize 了图片尺寸，避免图片太大

# 53 当检测到对象后，通过imshow实时显示在视频流中

# 54-56 若输入q 退出

# 57 视频帧自动加1

5 end

检测结束，我们关闭一些资源

print 每秒的视频信息：每秒处理的视频帧数，每帧处理的时间

每秒处理8.7帧图片，稍微有点慢 ，若电脑配置高的话，或者使用多进程会好很多

多线程与多进程知识点，会在《每天一分钟，python一点通》系列教程中分享

从视频中截取的图片

微&信搜索：启示AI 科技

可以体验不同的AI 工具

当然，你也可以导入一个视频，让神经网络来检测，src=”要打开视频的绝对地址便可

检测完成后使用cv2的VideoWriter来保存视频便可

vs = VideoStream(src=”)

下期分享

说到了多进程，我们下期来使用此方法优化一下代码来提高每秒的处理