上期视频，我们分享了一个神经网络风格迁移的视频，本期我们将利用代码的方式来讲解其实现过程。
神经网络风格迁移
python+opencv实现神经网络的风格迁移首先我们需要下载已经训练完成的神经网络模型，从视频中也可以看出来，其中应用到了好几个模型
模型下载： github.com/jcjohnson/fast-neural-style然后把下载下来的模型放到models文件夹下，方便我们取用
import os import itertools import time import cv2 modelPaths = [] for root, dirs, files in os.walk(&34;): for file in files: modelPaths.append(os.path.join(root, file)) print(modelPaths) models = list(zip(range(0, len(modelPaths)), (modelPaths))) modelIter = itertools.cycle(models) (modelID, modelPath) = next(modelIter)首先我们使用os.walk函数，遍历models文件夹下的所有模型的路径，并保存在modelPaths中，然后使用itertools函数建立一个循环体，用于操作迭代对象
itertools是python的一个内建模块，提供了用于操作迭代器的函数。
迭代器(Iterator)是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。在Python中是一种常用的数据结构，比起列表(list)，迭代器可以提高开发体验和运行效率，按需使用。itertools模块提供的全部是处理迭代功能的函数，它们的返回值不是list，而是迭代对象。
cycle函数是将一个序列无限循环下去，通过此方式，我们便可以在循环体中使用不同的神经网络模型
net = cv2.dnn.readNetFromTorch(modelPath) vs = cv2.VideoCapture(&39;) time.sleep(2.0) i = 0我们使用cv2.dnn.readNetFromTorch函数来加载神经网络模型，并读入一段视频，方便后期进行神经网络的迁移
while True: (grabbed, frame) = vs.read() (h, w) = frame.shape[:2] blob = cv2.dnn.blobFromImage(frame, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False) net.setInput(blob) output = net.forward() output = output.reshape((3, output.shape[2], output.shape[3])) output[0] += 103.939 output[1] += 116.779 output[2] += 123.680 output /= 255.0 output = output.transpose(1, 2, 0)我们在while true里面来加载导入的视频，并一帧一帧地读取视频
(h, w) = frame.shape[:2]来获取视频帧的尺寸大小
获取到的视频帧我们使用cv2.dnn.blobFromImage函数来对图片进行预处理
预处理完成后的图片帧传入net.setInput(blob)神经网络，并使用神经网络的前向传递来预测神经网络迁移的图片
神经网络预测完成后，我们在reshape到原始图片尺寸上
i = i + 1 if i == 300: (modelID, modelPath) = next(modelIter) print(&34;.format(modelID + 1, modelPath)) net = cv2.dnn.readNetFromTorch(modelPath) i = 0神经网络每处理一帧视频图片，我们使用i变量加1，待处理完成300帧（10s）后，我们使用前面定义的循环体进行神经网络的遍历，来选择另外一个模型来进行神经网络的风格迁移
cv2.imshow(&34;, output) key = cv2.waitKey(1) if key == ord(&39;): break fourcc = cv2.VideoWriter_fourcc(*&39;) writer = cv2.VideoWriter(&34;, fourcc, 30,(output.shape[1], output.shape[0]), True) writer.write((output*255).astype(&39;)) writer.release() vs.release()神经网络处理完成后，便可以使用imshow函数对处理后的视频帧实时查看
通过VideoWriter函数，建立一个视频保存函数，这里的第一个参数是需要保存的视频路径
第二个参数是视频的编码格式，第三个参数为视频的帧率，每秒的视频帧数，第四个参数为输出视频的尺寸大小，这里一定要与原始视频一致，若对视频帧进行了处理，需要统一视频帧图片的尺寸
最后保存处理完成的视频，这里特别需要注意的是，由于神经网络处理的图片在[0~1]之间，而opencv处理的视频图片在[0~255]之间，这里我们需要把图片格式到0~255空间，否则保存的图片视频完全失真。
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决