监控在安保和巡查中发挥着重要作用，但也是一项非常乏味的任务，深度学习的出现在一定程度上将人类从这一任务中解放出来。本项目基于深度学习的目标检测去搭建了一个简单有效的监控系统，能够自动化进行人流统计和行人检测。
本系统基于Apache2.0协议开源，请严格遵守开源协议。
本系统由以下三个子项目组成：
- 1.基于TensorFlow平台的行人检测系统
- 2.基于Android平台的推流系统
- 3.基于JavaWeb的展示系统
总体框架如下图所示:
| 配置 | 基本要求 |
|---|---|
| 操作系统 | Ubuntu 16.04 x64 |
| CPU | 主频2.0GHz 以上 |
| 内存 | 8G以上 |
| GPU | NVIDIA GTX1080以上 |
| 网络 | 服务器IP地址需是公网IP |
本系统依赖如下：
| 依赖项 | 安装方式 |
|---|---|
| Python3.5 | 略 |
| pip | 略 |
| TensorFlow-1.11.0-GPU | 略 |
| Python版本OpenCV | 略 |
| requests | pip3 install requests |
| frozen_inference_graph.pb | 下载地址 |
| Nginx with RTMP | 安装流程 |
运行系统：
- 把训练模型后得到的
.pb模型文件复制在python目录下； - 修改
main.py文件RTMP_HOST变量，运行main.py；
运行系统：
- 在Idea或者AndroidStudio中导入
android目录下的工程，并修改MainActivity.java中的静态变量；
本系统依赖如下：
| 依赖项 | 安装方式 |
|---|---|
| JDK-1.8.0 | 略 |
| Apache-Tomcat-9.0.12 | 略 |
| Maven | 略 |
| Mysql | 需配置远程访问权限 |
运行系统：
- 展示系统基于Idea集成开发环境进行开发，SSM框架中的依赖均基于Maven进行配置，在Idea中导入
web目录下的工程，导出war包，将war包放在服务器tomcat/webapps目录下，运行./startup.sh,启动tomcat容器；
- 新增了针对大数据量的人流统计的可视化视图；
- 展示行人检测项目完整效果，点击此链接；
- 如何支持作者：点击右上角的"star" 的按钮，是对作者的最大支持；
- 如有问题或者讨论行人检测算法模型，请提交issue;
A: 如果你想重新训练这个模型,获得更好的效果,请参考这篇文章教程 | 用深度学习DIY自动化监控系统,
训练完成之后,将训练导出的网络权值文件替换原来的网络权值文件即可.
A: Demo项目,不适合部署于生产环境.
这个项目我为研一上学期JavaWeb课程的大作业所写的项目,实际核心部分所用时间为一个星期.
至于为什么JavaWeb课程写了这个一个非主流的项目,因为不想写某某管理系统这种烂大街的项目,因此想写一个新颖的项目,正在找灵感的时候,恰好这时候某个公众号推了了一篇文章,觉得比较有意思,于是萌发了写一个视频行人检测项目的想法.
在这个项目里面服务端使用了基于TF框架的这个项目Pedestrian-Detection,使用了FFmpeg框架进行推/拉流,使用了Nginx分发视频流,使用Python整合以上框架进行调用.
Android端的实现使用了RtmpRecoder,在这个项目的基础了进行了一些薄封装.
在此对以上开源项目表示感谢.
最后使用JavaWeb套了一层壳最后完成了此大作业.
由于我研究生阶段的方向并不是图像方向,因此本项目不再更新.
最近看到一篇公众号文章
声网：基于 TensorFlow 在实时音视频中实现图像识别
虽然他们晚了一年，但是在实现上很类似：
以下是我们一年前实现的：
至于说为什么英文README文档没有更新了，那就是作者太懒了，欢迎提交PR，本人会即时确认后合并。