基于RV1126開發(fā)板的人臉檢測(cè)算法開發(fā)

1. 人臉檢測(cè)簡(jiǎn)介

人臉檢測(cè)是人臉識(shí)別、人臉屬性分類、人臉編輯、人臉跟蹤等任務(wù)必不可少的早期步驟，其性能直接影響到人臉識(shí)別等任務(wù)的有效性。盡管在過(guò)去的幾十年里，不受控制的人臉檢測(cè)取得了巨大的進(jìn)步，但在野外準(zhǔn)確高效的人臉檢測(cè)仍然是一個(gè)公開的挑戰(zhàn)。這是由于姿勢(shì)的變化、面部表情、比例、光照、圖像失真、面部遮擋等因素造成的。與一般的目標(biāo)檢測(cè)不同，人臉檢測(cè)的特點(diǎn)是在縱橫比上的變化較小，但在尺度上的變化大得多(從幾個(gè)像素到數(shù)千像素)。

本人臉檢測(cè)算法在數(shù)據(jù)集表現(xiàn)如下所示：

基于EASY-EAI-Nano硬件主板的運(yùn)行效率：

2. 快速上手

2.1 開發(fā)環(huán)境準(zhǔn)備

如果您初次閱讀此文檔，請(qǐng)閱讀《入門指南/開發(fā)環(huán)境準(zhǔn)備/Easy-Eai編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進(jìn)入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment
./run.sh

2.2 源碼下載以及例程編譯

在EASY-EAI編譯環(huán)境下創(chuàng)建存放源碼倉(cāng)庫(kù)的管理目錄：

cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit

通過(guò)git工具，在管理目錄內(nèi)克隆遠(yuǎn)程倉(cāng)庫(kù)

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-Demo.git

注：

* 此處可能會(huì)因網(wǎng)絡(luò)原因造成卡頓，請(qǐng)耐心等待。

* 如果實(shí)在要在gitHub網(wǎng)頁(yè)上下載，也要把整個(gè)倉(cāng)庫(kù)下載下來(lái)，不能單獨(dú)下載本實(shí)例對(duì)應(yīng)的目錄。

進(jìn)入到對(duì)應(yīng)的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd EASY-EAI-Toolkit-C-Demo/algorithm-face_detect/
./build.sh cpres

注：

* 若build.sh腳本帶有cpres參數(shù)，則會(huì)把Release/目錄下的所有資源都拷貝到開發(fā)板上。

* 若build.sh腳本不帶任何參數(shù)，則僅會(huì)拷貝demo編譯出來(lái)的可執(zhí)行文件。

* 由于依賴庫(kù)部署在板卡上，因此交叉編譯過(guò)程中必須保持adb連接。

2.3 模型部署

要完成算法Demo的執(zhí)行，需要先下載人臉檢測(cè)算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/1cxnx1T0ldJvoqkyTk1RmUg (提取碼：0b6h )。

同時(shí)需要把下載的人臉檢測(cè)算法模型復(fù)制粘貼到Release/目錄：

再通過(guò)下方命令將模型署到板卡中，如下所示。

cp ./Release/*.model /mnt/userdata/Demo

2.4 例程運(yùn)行

通過(guò)按鍵Ctrl+Shift+T創(chuàng)建一個(gè)新窗口，執(zhí)行adb shell命令，進(jìn)入板卡運(yùn)行環(huán)境。

adb shell

進(jìn)入板卡后，定位到例程上傳的位置，如下所示：

cd /userdata/Demo

運(yùn)行例程命令如下所示：

./test-face-detect test.jpg

2.5 運(yùn)行效果

Face-detect的Demo執(zhí)行效果如下所示:

再開一個(gè)窗口，在PC端Ubuntu環(huán)境通過(guò)以下命令可以把圖片拉回來(lái):

adb pull /userdata/Demo/result.jpg .

結(jié)果圖片如下所示：

3. 人臉檢測(cè)API說(shuō)明

3.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫(kù)，此處列出工程中需要鏈接的庫(kù)以及頭文件等，方便用戶直接添加。

3.2 人臉檢測(cè)初始化函數(shù)

設(shè)置人臉檢測(cè)初始化函數(shù)原型如下所示。

 int face_detect_init(rknn_context *ctx, const char *path)

具體介紹如下所示。

3.3 人臉檢測(cè)運(yùn)行函數(shù)

設(shè)face_detect_run原型如下所示。

int face_detect_run(rknn_context ctx, cv::Mat &input_image, std::vector &result)

具體介紹如下所示。

3.4 人臉檢測(cè)釋放函數(shù)

人臉檢測(cè)釋放函數(shù)原型如下所示。

 int face_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 人臉檢測(cè)算法例程

例程目錄為Toolkit-C-Demo/algorithm-face_detect/test-face-detect.cpp，操作流程如下。

參考例程如下所示。

#include 
#include 
#include 
#include "face_detect.h"

using namespace cv;


int main(int argc, char **argv)
{
	if( argc != 2)
	{
		printf("./test-face-detect xxxn");
		return -1;
	}

	struct timeval start;
	struct timeval end;
	float time_use=0;

	rknn_context ctx;
	std::vector result;

	Mat image;
	image = cv::imread(argv[1], 1);	

	face_detect_init(&ctx, "face_detect.model");

	gettimeofday(&start,NULL); 
	face_detect_run(ctx, image, result);

	gettimeofday(&end,NULL);
	time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒
	printf("time_use is %fn",time_use/1000);

	printf("face num:%dn",result.size());

	for (int i = 0; i < (int)result.size(); i++)
	{
		int x = (int)(result[i].box.x);
		int y = (int)(result[i].box.y);
		int w = (int)(result[i].box.width);
		int h = (int)(result[i].box.height);
		rectangle(image, Rect(x, y, w, h), Scalar(0, 255, 0), 2, 8, 0);

		
		for (int j = 0; j < (int)result[i].landmarks.size(); ++j) 
		{
			cv::circle(image, cv::Point((int)result[i].landmarks[j].x, (int)result[i].landmarks[j].y), 2, cv::Scalar(225, 0, 225), 2, 8);
		}
	}

	imwrite("result.jpg", image);

	face_detect_release(ctx);

	return 0;
}

審核編輯 黃宇