# fisheye_api

**Repository Path**: study-cooperation/fisheye_api

## Basic Information

- **Project Name**: fisheye_api
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2018-02-05
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 演示

## 下载项目

我们定义一个根目录 `APP_ROOT`。

使用在命令行输入如下代码获取程序源码。
```bash
git clone https://gitee.com/study-cooperation/fisheye_api.git APP_ROOT
```
检测程序返回的 `json_string` 的格式满足《天诺&湖大鱼眼图片相关API文档》的说明。

数据和模型获取请看 `data/README.md`。

## 低密度（展厅）

低密度使用函数 `predict_low_density_image` 进行预测，我们封装了一个编码函数 `image_encode_base64` 和一个解码函数 `image_decode_base64`， 建议使用。

```python
import json
import cv2

from APP_ROOT import predict_low_density_image
from APP_ROOT import image_decode_base64

json_string = predict_low_density_image('http://ovuhjq3qc.bkt.clouddn.com/2017-11-16%2017:20:22-920-.png', # 图像路径或者url
               	                        "{'1': [{'x': 0.1010, 'y': 0.2010}, {'x': 0.3010, 'y': 0.4010}, {'x':0.5010, 'y': 0.6010}, {'x': 0.7010,'y':0.8010}]}", # roi
                                        need_return_image=True, # 是否返回画出标注的图像
                                        visual_whole_person=False # 是否标记整个人，False表示只标注靠近人的脚部
                                        )

# 将string对象加载为字典
json_string = json.loads(json_string)

# 解码图像并显示
img = image_decode_base64(json_string['pic_base64'])
cv2.imshow('result', img)
cv2.waitKey(0)

```

## 低密度（展厅）

实现计算Recall和Precision， **其预测值和真实值的计算算法由我们实现**，代码在 `utils/eval.py` 的 `eval_detect_result` 函数。

原图和标注必须全部放在同一个文件夹下，原图的名字必须和对应的标注同名, 标注文件在这里使用的是PASCAL VOC数据的格式。

```python
from APP_ROOT import predict_with_recall_precision

predict_with_recall_precision(root='/path/to/test/data',
                              output='/where/to/save/result/image' # 如果不添加这个参数则不保存图像
                              )
```

## 高密度（车展）

高密度使用函数 `predict_high_density_image` 进行预测。

```python
from APP_ROOT import predict_high_density_image

json_string = predict_high_density_image('/path/to/your/test/image/dir/XXX.jpg', 
                                         high=HIGH, # 摄像头高度，单位米，在我们的研究中,535、545、550、375、335高度定为5m，
                                                    # 334、376、419、420、551、552高度定为7m
                                         rois="{'1': [{'x': 0.1010, 'y': 0.2010}, {'x': 0.3010, 'y': 0.4010}, {'x':0.5010, 'y': 0.6010}, {'x': 0.7010,'y':0.8010}]}" # roi
                                         )

# 返回的json字符串
print(json_string)

```
样例输出：
```bash
{"code": 200, "data": {"store_id": 0, "type": null, "url": "D:\\552\\552_75942017-11-17.jpg", "image_roi": {"1": {"people_num": 25.79307746887207, "is_high_density": 1}, "2": {"people_num": 9.091708183288574, "is_high_density": 1}}}}
```