Tensorflow版Faster RCNN源码解析（TFFRCNN） （3）推断（测试）过程使用RPN时代码运行流程

代码作用：梳理在使用RPN时代码运行流程，区别上一篇不使用RPN时的情形，运行流程主要涉及的py文件有demo.py、test.py、VGGnet_test.py

主要函数及作用：

（1）demo.py函数为实例程序，主函数中首先get_network（）获取推断过程要用的网络结果函数（如VGGnet_test（）），调用本py文件中定义的demo（）函数，

默认情形使用RPN ，同样demo（）中主要关注test.py中的im_detect（）函数

（2）当使用RPN时bbox=None

首先调用本代码段中_get_blobs（im，boxes）

当使用RPN时，cfg.TEST.HAS_RPN为true。首先构造blobs字典，内含data字段、rois字段。

调用_get_image_blob（）函数，确定当前im是以长边还是短边缩放，计算当前im的缩放比，默认情况下未使用图像金字塔，返回当前im缩放后的图像组成的blob（构成blobs中的data字段）以及im对应的缩放因子列表（不使用图像金字塔时列表长度为1），由于rois是通过RPN网络产生的，因此blobs中只有data字段有值传回。  

构造blobs中im_info字段（包含当前缩放后图像宽、高、缩放因子）im_blob.shape[0]应为原图像经图像金字塔处理后的图像张数，但使用RPN时不允许使用图像金字塔，因此每张图像缩放后的图像只有一张。构造feed_dict字典，包含blobs的data、im_info字段，与VGGnet_test.py中预先定义的占位符定义维度一一照应，其中data维度为[none,none,none,3],3表示3个图像通道、im_info维度为[none,3]

  

（3）rois的产生

首先需要了解VGGnet_test.py的运行原理，可参考第一篇代码解析。使用RPN时rois是由proposal_layer层产生的，具体产生过程细节后面将会一一进行解读。这里我们主要关注proposal_layer（）返回rpn_rois的维度同样与不使用RPN维度时一致，为[none,5]

注意：由rpn网络生成proposal的过程需要继续解读proposal_layer_tf.py的源码来分析，后面将会谈到。