基于RV1126開發(fā)板的車輛檢測算法開發(fā)

1. 車輛檢測簡介

車輛檢測是一種基于深度學(xué)習(xí)的對人進(jìn)行檢測定位的目標(biāo)檢測，能廣泛的用于園區(qū)管理、交通分析等多種場景，是違停識別、堵車識別、車流統(tǒng)計等多種算法的基石算法。

基于EASY-EAI-Nano硬件主板的運行效率：

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，請閱讀《入門指南/開發(fā)環(huán)境準(zhǔn)備/編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行開發(fā)環(huán)境的部署。

在宿主機(jī)中執(zhí)行run.sh腳本，啟動docker容器進(jìn)入開發(fā)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

在開發(fā)環(huán)境下創(chuàng)建存放源碼倉庫的管理目錄：

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

通過git工具，在管理目錄內(nèi)克隆遠(yuǎn)程倉庫（注：此處可能會因網(wǎng)絡(luò)原因造成卡頓，請耐心等待）：

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

進(jìn)入到對應(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-car_detect/
./build.sh cpres

注：

* 若build.sh腳本帶有cpres參數(shù)，則會把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)，則僅會拷貝demo編譯出來的可執(zhí)行文件。

2.3 模型部署

要完成算法Demo的執(zhí)行，需要先下載車輛檢測算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/14L28yW2u2oR7__VBpP9Mgw （提取碼：gpr8 ）。

同時需要把下載的車輛檢測算法模型復(fù)制粘貼到Release/目錄：

再通過下方命令將模型與可執(zhí)行程序部署到板卡中，如下所示。

cp ./Release/ /mnt/userdata/Demo -rf

2.4 例程運行

通過按鍵Ctrl+Shift+T創(chuàng)建一個新窗口，執(zhí)行adb shell命令，進(jìn)入板卡運行環(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/Release

運行例程命令如下所示：

./test-car-detect test.jpg

2.5 運行效果

car-detect的Demo執(zhí)行效果如下所示:

再開一個窗口，在Docker宿主機(jī)環(huán)境通過以下命令可以把圖片拉回來:

adb pull /userdata/Release/result.jpg .

結(jié)果圖片如下所示：

API的詳細(xì)說明，以及API的調(diào)用（本例程源碼），詳細(xì)信息見下方說明。

3. 車輛檢測API說明

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，此處列出工程中需要鏈接的庫以及頭文件等，方便用戶直接添加。

3.2 車輛檢測初始化函數(shù)

車輛檢測初始化函數(shù)原型如下所示。

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

具體介紹如下所示。

3.3 車輛檢測運行函數(shù)

車輛檢測運行函數(shù)car_detect_run原型如下所示。

int car_detect_run(rknn_context ctx, cv::Mat input_image, person_detect_result_group_t *detect_result_group)

具體介紹如下所示。

3.4 車輛檢測釋放函數(shù)

車輛檢測釋放函數(shù)原型如下所示。

 int car_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 車輛檢測算法例程

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

參考例程如下所示。

#include 
#include 
#include 
#include"car_detect.h"

using namespace cv;
using namespace std;

static Scalar colorArray[10]={
    Scalar(255, 0, 0, 255),
    Scalar(0, 255, 0, 255),
    Scalar(0,0,139,255),
    Scalar(0,100,0,255),
    Scalar(139,139,0,255),
    Scalar(209,206,0,255),
    Scalar(0,127,255,255),
    Scalar(139,61,72,255),
    Scalar(0,255,0,255),
    Scalar(255,0,0,255),
};

int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
    int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3);

    int tf = max(tl -1, 1);

    int base_line = 0;
    cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
    int x3 = x1 + t_size.width;
    int y3 = y1 - t_size.height - 3;

    rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1);
    putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
    return 0;
}

int main(int argc, char **argv)
{
	/* 參數(shù)初始化 */
	car_detect_result_group_t detect_result_group;

	/* 算法模型初始化 */
	rknn_context ctx;
	car_detect_init(&ctx, "./car_detect.model");

	/* 算法運行 */
	cv::Mat src;
	src = cv::imread("test.jpg", 1);

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

	gettimeofday(&start,NULL); 
	car_detect_run(ctx, src, &detect_result_group);

	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);

	/* 算法結(jié)果在圖像中畫出并保存 */
	for (int i = 0; i < detect_result_group.count; i++)
	{
		car_detect_result_t *det_result = &(detect_result_group.results[i]);
		
		/*
		if( det_result-?>prop < 0.3 )
		{
			continue;
		}
		*/

		printf("%s @ (%d %d %d %d) %fn",
			   det_result-?>name,
			   det_result->box.left, det_result->box.top, det_result->box.right, det_result->box.bottom,
			   det_result->prop);
		int x1 = det_result->box.left;
		int y1 = det_result->box.top;
		int x2 = det_result->box.right;
		int y2 = det_result->box.bottom;
		
		char label_text[50];
		memset(label_text, 0 , sizeof(label_text));
		sprintf(label_text, "%s %0.2f",det_result->name, det_result->prop); 
		plot_one_box(src, x1, x2, y1, y2, label_text, i%10);
	}    

	cv::imwrite("result.jpg", src);	


	/* 算法模型空間釋放 */
	car_detect_release(ctx);

	return 0;
}

審核編輯 黃宇