Matlab 深度学习

朴灿烈づ我的快乐病毒、 2021-09-03 10:08 918阅读 0赞

> 入坑 MATLAB 进行深度学习

## 一：摄像头 ##

### 1.1 两种获取摄像头的方式 ###

Matlab自身不支持直接读取摄像头数据，需要安装硬件支持包才可以获取，目前常用的有两个包：

![5530b91253d9b38375e67ddce4f6ee6c.png][]

第一个是 MATLAB Support Package for USB Webcams，这个包可以获取任何USB摄像头的图像(UVC)，也可以获取电脑自带摄像头的数据，兼容 R2014a 到 R2020a 的版本。

第二个是Image Acquisition Toolbox Support Package for OS Generic Video Interface，更加通用，它也兼容 R2014a 到 R2020a 的版本。(推荐)

点击获取附加功能中的获取硬件支持包(安装适合的包)：

![940be13497ac1fa81840889638b69340.png][]

### 1.2 第一种方法摄像头的使用(webcams) ###

#### 1.2.1 查看当前摄像头设备列表 ####

webcamlist

![c4c4415e3788a53294cb37205ab5ffc3.png][]

需要注意，使用webcam的时候，下标从1开始，1对应USB Camera，2对应Integrated Camera。

#### 1.2.2 获取视频对象 ####

一行代码即可获取，非常舒服，比如获取外接USB摄像头的输入对象：

cam1 = webcam(1)

![7f97b41da704b69b8a116f616c155964.png][]

同样可以获取电脑自带摄像头的输入对象：

cam1 = webcam(2)

![5c90ad4cb5165dc8430d0bc35383a821.png][]

#### 1.2.3 预览视频对象 ####

使用如下命令即可预览视频对象，该函数会自动打开一个窗口，播放摄像头画面：

preview(cam1)

#### 1.2.4 查看摄像头支持的分辨率并修改： ####

<刚刚获取的设备对象>.AvailableResolutions

然后根据修改为需要的分辨率：

![a283580a6d0299c11a976e4330b593ba.png][]

再次preview之后即可看到分辨率改变。

#### 1.2.5 用完之后清除对象 ####

clear <刚刚获取的对象>

#### 1.2.6 拍照(抓取画面) ####

mypic = snapshot(cam1);
    imshow(mypic);

### 1.3 第二种方法摄像头的使用(Image Acquisition Toolbox) ###

#### 1.3.1 首先执行这条命令打开摄像头，测试是否可以调用videoinput函数： ####

video_source = videoinput('winvideo',1)

如果出现图中的错误，那么恭喜你，需要手动安装硬件支持包了。

![f7633586d0eaa8ea4f2d82d199612ca9.png][]

#### 1.3.2 查看电脑上已经安装的图像适配器 ####

imaqhwinfo()

![44a995fb525f16d4ab699a960ad6b531.png][]

其中InstalledAdaptors的值给出了当前电脑上已经安装的摄像头适配器个数，这里我的电脑上只有一个：winvideo。

#### 1.3.3 查看摄像头设备具体参数 ####

使用该命令查看上一步获取到的图像适配器的具体参数：

win_info = imaqhwinfo('winvideo')

![a65a1afac5ba12de5636d6f2180561d7.png][]

可以看到其中给出了该图像适配器具体的一些参数，特别需要注意的是，该函数返回了连接在当前图像适配器winvideo上的所有摄像头的设备ID和设备信息！

当前我的电脑上一共有两个摄像头，一个是笔记本电脑内置的摄像头，另一个是我连接的USB 2.0 摄像头，接下来以USB摄像头为例，说明如何查看摄像头的设备ID和具体信息：

在工作区找到保存信息的变量win\_info，双击查看其值：

![745c167d7ff4b290ba15f378cdadaa4c.png][]

可以看到，两个摄像头的设备ID分别为1和2，一般来说，电脑内置的摄像头的ID为1。

同样，双击win\_info.DeviceInfo变量，可以查看摄像头的具体参数：

![5f461f1cb6efb0583380f6bf5bbeaa75.png][]

#### 1.3.4 创建视频输入对象 ####

使用如下的命令来创建一个视频输入对象：

video_obj = videoinput(adaptorname,deviceID,format)

该函数的三个参数说明如下：

*  adaptorname：适配器名称(必须)
 *  deviceID：设备ID号(必须)
 *  format：视频采集格式(不填写则使用默认)  
    如下，我要创建USB摄像头的视频输入对象：

video_obj = videoinput('winvideo',2)

![bb0fe8a86ceeb568d5d871f5fde68c6b.png][]

#### 1.3.5 预览视频对象 ####

使用如下命令即可预览视频对象，该函数会自动打开一个窗口，播放摄像头画面：

preview(video_obj)

#### 1.3.6 捕抓画面 ####

mypic = getsnapshot(video_obj);
    imshow(mypic);

## 二： 迁移学习 ##

> AlexNet已经训练了超过100万张图片，可以将图片分类为1000个对象类别(如键盘、咖啡杯、铅笔和许多动物)。该网络已经学习了大量图像的丰富特征表示。该网络以一幅图像作为输入，并输出图像中对象的标签以及每个对象类别的概率。

### 2.1 首先安装相应的包 ###

`Deep Learning Toobox Model for Alexnet Network`

![57f517c1751a8a5318ca88b212ef12eb.png][]

### 2.2 使用方法 ###

![f31b7fbc73663638f5752d08d9f55aee.png][]

### 2.3 加载数据集 ###

需要先将数据标注好，即在一个文件夹下放多个标签名字的文件夹，里面有相应的图片。

% 使用数据集函数载入并标记数据
    imds = imageDatastore('MerchData', ...
     'IncludeSubfolders',true, ...
     'LabelSource','foldernames');
     
    % 分离训练数据和测试数据
    [imdsTrain,imdsValidation] = splitEachLabel(imds,0.7,'randomized');

### 2.4 加载训练网络 ###

net = alexnet;
    % 取出网络所需的图片大小
    inputSize = net.Layers(1).InputSize

其中图片的大小有限制，不同的网络不一样。Alexnet 的限制是227 227 3.

方法一(推荐)：

pixelRange = [-30 30];
    imageAugmenter = imageDataAugmenter( ...
     'RandXReflection',true, ...
     'RandXTranslation',pixelRange, ...
     'RandYTranslation',pixelRange);
    
    % 训练数据
    augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain, ...
     'DataAugmentation',imageAugmenter);
     
    % 测试数据
    augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);

方法二： 使用imresize 方法改变大小

% This file in order to change the photo size into the fit size
    
    source_files = "Answer";
    
    imds = imageDatastore(source_files, 'IncludeSubFolders', true, 'LabelSource', 'foldernames');
    lens = length(imds.Labels);
    % lens = 2;
    
    % imshow(readimage(imds, 2))
    for i=1:lens
     dir = char(imds.Files(i));
     img=imresize(readimage(imds, i),[227,227]);
     imwrite(img, dir);
     i
    end
    
    disp("All thing has been done successfully!")

### 2.5 取代最后一层 ###

预训练的网络的最后三层被配置为1000个类。这三层必须针对新的分类问题进行微调。从预先训练好的网络中提取除后三层之外的所有层。

layersTransfer = net.Layers(1:end-3);
    numClasses = numel(categories(imdsTrain.Labels))
    layers = [
     layersTransfer
     fullyConnectedLayer(numClasses,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)
     softmaxLayer
     classificationLayer];

### 2.6 训练网络 ###

options = trainingOptions('sgdm', ...
     'MiniBatchSize',10, ...
     'MaxEpochs',6, ...
     'InitialLearnRate',1e-4, ...
     'Shuffle','every-epoch', ...
     'ValidationData',augimdsValidation, ...
     'ValidationFrequency',3, ...
     'Verbose',false, ...
     'Plots','training-progress');
    
    % 开始训练网络
    netTransfer = trainNetwork(augimdsTrain,layers,options);

### 2.7 验证网络 ###

[YPred,scores] = classify(net,augimdsValidation);
    % YPred 含最大可能分类， scores 含各个分类的可能概率值
    
    % 测试网络的准确性
    YValidation = imdsValidation.Labels;
    accuracy = mean(YPred == YValidation)

## 三：计算机视觉 ##

### 3.1 摄像头处理数据 ###

vidobj = videoinput('winvideo',1); %capture the device handle
    
    
    set(vidobj, 'FramesPerTrigger',1); % each time we call trigger one frame gets captured
    set(vidobj, 'TriggerRepeat',inf); % we can have infinite triggers
    
    triggerconfig(vidobj, 'manual'); % the trigger will be called manually. We can also set times for the same
    start(vidobj); % start the device capture
    
    % 采集每一帧的数据
    trigger(vidobj); % capture one frame
    im=getdata(vidobj); % frame is a matrix that stores the frame
    % im = getsnapshot(cam);
    image(ax1,im);

[5530b91253d9b38375e67ddce4f6ee6c.png]: /images/20210813/1b4f11841bf34c02a0509afbd36565bb.png
[940be13497ac1fa81840889638b69340.png]: /images/20210813/e318258b0aea43d6ac5db653bfdd8e37.png
[c4c4415e3788a53294cb37205ab5ffc3.png]: /images/20210813/df6604610b0b44b7bd9b99abede2a8f9.png
[7f97b41da704b69b8a116f616c155964.png]: /images/20210813/ec897e4a9b9b4527801536ea70d7126b.png
[5c90ad4cb5165dc8430d0bc35383a821.png]: /images/20210813/c58fe08d703a4898a654cb976567fc71.png
[a283580a6d0299c11a976e4330b593ba.png]: /images/20210813/5454c7da0557466a9219eaaa10d2c2fd.png
[f7633586d0eaa8ea4f2d82d199612ca9.png]: /images/20210813/b974225dfbe84711879012bfee0a78ee.png
[44a995fb525f16d4ab699a960ad6b531.png]: /images/20210813/d1a477e1f8e34e049f75cebce1292ac7.png
[a65a1afac5ba12de5636d6f2180561d7.png]: /images/20210813/f5c080c9073244c1ae38fda6afc99a71.png
[745c167d7ff4b290ba15f378cdadaa4c.png]: /images/20210813/97fd355b23a64ffb95a9ea27442a4245.png
[5f461f1cb6efb0583380f6bf5bbeaa75.png]: /images/20210813/27593aab79e1428fb8903047163c6d65.png
[bb0fe8a86ceeb568d5d871f5fde68c6b.png]: /images/20210813/189cdba0bc014dbbb8d03662f78a7a9f.png
[57f517c1751a8a5318ca88b212ef12eb.png]: /images/20210813/108cf163341e40c2bcd26a560adb61c2.png
[f31b7fbc73663638f5752d08d9f55aee.png]: /images/20210813/35a9b225be764c1bb5f24e8fd310407c.png