windows下的纯c++版 Faster-Rcnn

     效果如下图：

源码已经放在github上，https://github.com/huaze555，支持训练和测试，自己下载用VS2013编译即可，编译步骤跟微软版的caffe一模一样。

******************************我是分割线*************************************

我的上一篇博客 纯C++版的Faster-Rcnn（通过caffe自定义RPN层实现） 是在windows下caffe的基础上，通过自定义RPN层取代python层，实现纯c++版的windows faster-rcnn，具体可以看上一篇博客，它的毛病是，在速度方面远不如python版，不太符合工程需要，比如我最近的项目中，需要对连续的视频帧进行目标检测，那样对效率要求就很高。

      这里介绍的版本，效率达到python版，在windows下，NVIDIA1060 6GB的显卡上，对于VGG16模型的速度是5fps左右，对于VGG_M中型网络是12-14fps，和linux下的python版接近一致。

     这个版本，参照的是D-X-Y大神github上的纯c++版的faster-rcnn，https://github.com/D-X-Y/caffe-faster-rcnn，不过是在linux平台上，我把它移植到微软的windows-caffe版本下，但是由于D-X-Y的版本，因为需要支持faster-rcnn，所以修改了caffe的源码（比如在blob.hpp里就加了点代码），同时添加了很多的代码文件以支持faster-rcnn，所以一个移植的方法，就是把D-X-Y的版本中的代码，全部替换掉微软的版本，然后按照微软的caffe版本，用vs2013进行编译，只要编译libcaffe就好了（我记得移植这个过程，花了七八个小时吧，因为两个版本的不兼容，不断地尝试，不断地改错，编译一次才知道错误在哪，改正后又会不断的出现问题），因为都是哪里有错改正继续试，所以具体编译过程我也没有记录下来，这里我就直接放出编译好的文件，大家直接在VS2013调用就行了，就像使用OpenCV一样。

    环境要求：VS2013

     库文件已经打包好了caffe和faster-rcnn以及需要的第三方库，百度云链接http://pan.baidu.com/s/1hs5tLyc 密码 sbq1

    打开后有3个文件夹和2个文件，3个文件夹分别 bin、include、lib，分别对应可执行文件，头文件，库文件

    就像vs2013配置OpenCV一样的，用vs2013创建控制台应用程序，注意这里需要选择x64 release版，然后项目属性->配置属性->VC++目录，在包含目录里添加上面的include文件夹，注意如果要用GPU，需要把cuda的头文件也添加进去，库目录里添加上面的lib文件夹，也要把你机器上的cuda的库目录添加进去，然后在链接器->输入->附加依赖项，填上

libboost_date_time-vc120-mt-1_59.liblibboost_filesystem-vc120-mt-1_59.liblibboost_system-vc120-mt-1_59.liblibglog.liblibcaffe.libgflags.libgflags_nothreads.libhdf5.libhdf5_hl.liblibprotobuf.liblibopenblas.dll.aShlwapi.libopencv_core2410.libopencv_highgui2410.libopencv_imgproc2410.libLevelDb.liblmdb.libopencv_video2410.libopencv_objdetect2410.libcublas.libcuda.libcublas_device.libcudart.libcudart_static.libcurand.libkernel32.lib

表示程序可能需要用到lib文件夹里的这些库文件，当然就是缺什么库，就需要填哪个库，要不然程序怎么知道需要用哪个呢。

最后，在计算机的系统变量path中，添加上面的bin文件夹，使得程序可以找到可执行文件，当然，也可以直接把bin文件夹的文件全部复制到vs项目中的代码目录下。

到此，环境配置好了，现在添加代码测试一下吧。

           在vs2013项目中，添加main.cpp，代码如下：

#include <caffe\frcnn_api.hpp>  //目标检测头文件#include <opencv2\opencv.hpp> #include "Register.h"           //这个文件不能少，用于注册相关caffe层using namespace std;using namespace cv;using namespace caffe::Frcnn;int main(){VideoCapture capture("3.mp4");   //打开视频文件Mat frame;//初始化目标检测器，构造函数中，四个参数分别为//1、网络配置文件//2、训练好的检测model//3、目标检测参数文件，比如目标检测阈值，NMS阈值//4、是否开启GPU模型，默认为true，表示开启GPU，false表示用CPUFRCNN_API::Detector detect("vgg_m_test.prototxt", "vgg_m.caffemodel", "default_config.json", true);while (true){capture >> frame;vector<BBox<float> > boxes;  //检测结果保存在这detect.predict(frame, boxes);    //对图片帧frame进行目标检测，保存的结果框，存在boxes中for (int i = 0; i < boxes.size(); i++)   //画框cv::rectangle(frame, cv::Point(boxes[i][0], boxes[i][1]), cv::Point(boxes[i][2], boxes[i][3]), Scalar(0, 0, 255));imshow("", frame);waitKey(1);}return 0;}

代码都添加了注释，简单易懂。需要注意的是，一定要在项目中添加头文件Register.h，这个文件在百度云网盘中，用于注册相关的layer，否则caffe不识别，会报错。
代码中用到的 FRCNN_API::Detector 类，在frcnn_api.hpp文件中定义了，定义如下

#ifndef CAFFE_FRCNN_API_HPP_#define CAFFE_FRCNN_API_HPP_#include <vector>#include <string>#include <boost/make_shared.hpp>#include <boost/shared_ptr.hpp>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include "caffe/blob.hpp"#include "caffe/common.hpp"#include "caffe/layer.hpp"#include "caffe/net.hpp"#include "caffe/util/frcnn_param.hpp"#include "caffe/util/frcnn_helper.hpp"namespace FRCNN_API{using std::vector;using caffe::Blob;using caffe::Net;using caffe::Frcnn::FrcnnParam;using caffe::Frcnn::Point4f;using caffe::Frcnn::BBox;class Detector {public:  Detector(const std::string &proto_file, const std::string &model_file, const std::string& config_file,bool useGPU=true);  void Set_Model(const std::string &proto_file, const std::string &model_file);  void predict(const cv::Mat &img_in, vector<BBox<float> > &results);  void predict_original(const cv::Mat &img_in, vector<BBox<float> > &results);  void predict_iterative(const cv::Mat &img_in, vector<BBox<float> > &results);private:  void preprocess(const cv::Mat &img_in, const int blob_idx);  void preprocess(const vector<float> &data, const int blob_idx);  vector<boost::shared_ptr<Blob<float> > > predict(const vector<std::string> blob_names);  boost::shared_ptr<Net<float> > net_;  float mean_[3];  int roi_pool_layer;};}#endif

第三个参数文件，也在百度云里的文件夹里，可以根据自己需要修改参数。

OK了，有需要的伙伴可以配置一下跑一下，对于有工程需要（特别是c++环境）的朋友，还是很有帮助的。