基于RV1126开发板的人脸检测算法开发

1. 人脸检测简介

       人脸检测是人脸识别、人脸属性分类、人脸编辑、人脸跟踪等任务必不可少的早期步骤，其性能直接影响到人脸识别等任务的有效性。尽管在过去的几十年里，不受控制的人脸检测取得了巨大的进步，但在野外准确高效的人脸检测仍然是一个公开的挑战。这是由于姿势的变化、面部表情、比例、光照、图像失真、面部遮挡等因素造成的。与一般的目标检测不同，人脸检测的特点是在纵横比上的变化较小，但在尺度上的变化大得多(从几个像素到数千像素)。

       本人脸检测算法在数据集表现如下所示：

人脸检测算法	performance
FDDB	98.64%

       基于EASY-EAI-Nano硬件主板的运行效率：

算法种类	运行效率
face_detect	35ms

2. 快速上手

2.1 开发环境准备

       如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

       在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

 

cd ~/develop_environment
./run.sh

 

2.2 源码下载以及例程编译

       在EASY-EAI编译环境下创建存放源码仓库的管理目录：

 

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

 

       通过git工具，在管理目录内克隆远程仓库

 

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

 

  注：

* 此处可能会因网络原因造成卡顿，请耐心等待。

* 如果实在要在gitHub网页上下载，也要把整个仓库下载下来，不能单独下载本实例对应的目录。

       进入到对应的例程目录执行编译操作，具体命令如下所示：

 

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

 

  注：

* 若build.sh脚本带有cpres参数，则会把Release/目录下的所有资源都拷贝到开发板上。

* 若build.sh脚本不带任何参数，则仅会拷贝demo编译出来的可执行文件。

* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持adb连接。

2.3 模型部署

       要完成算法Demo的执行，需要先下载人脸检测算法模型。

       百度网盘链接为：https://pan.baidu.com/s/1cxnx1T0ldJvoqkyTk1RmUg  (提取码：0b6h )。

       同时需要把下载的人脸检测算法模型复制粘贴到Release/目录：

       再通过下方命令将模型署到板卡中，如下所示。

 

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

 

2.4 例程运行

       通过按键Ctrl+Shift+T创建一个新窗口，执行adb shell命令，进入板卡运行环境。

 

adb shell

 

       进入板卡后，定位到例程上传的位置，如下所示：

 

cd /userdata/Demo

 

       运行例程命令如下所示：

 

./test-face-detect test.jpg

 

2.5 运行效果

       Face-detect的Demo执行效果如下所示:

       再开一个窗口，在PC端Ubuntu环境通过以下命令可以把图片拉回来:

 

adb pull /userdata/Demo/result.jpg .

 

       结果图片如下所示：

3. 人脸检测API说明

3.1 引用方式

       为方便客户在本地工程中直接调用我们的EASY EAI api库，此处列出工程中需要链接的库以及头文件等，方便用户直接添加。

选项	描述
头文件目录	easyeai-api/algorithm_api/face_detect
库文件目录	easyeai-api/algorithm_api/face_detect
库链接参数	-lpthread -lface_detect -lrknn_api

3.2 人脸检测初始化函数

       设置人脸检测初始化函数原型如下所示。

 

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

 

       具体介绍如下所示。

函数名： face_detect_init()
头文件	face_detect.h
输入参数	ctx：rknn_context句柄
	path:算法模型的路径
返回值	成功返回：0
	失败返回：-1
注意事项	无

3.3 人脸检测运行函数

       设face_detect_run原型如下所示。

 

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

 

       具体介绍如下所示。

函数名： face_detect_run ()
头文件	face_detect.h
输入参数	ctx: rknn_context句柄
	input_image:Opencv Mat格式图像
	result:人脸检测的结果输出
返回值	成功返回：0
	失败返回：-1
注意事项	无

3.4 人脸检测释放函数

       人脸检测释放函数原型如下所示。

 

 int face_detect_release(rknn_context ctx)

 

       具体介绍如下所示。

函数名： face_detect_release ()
头文件	face_detect.h
输入参数	ctx: rknn_context句柄
返回值	成功返回：0
	失败返回：-1
注意事项	无

4. 人脸检测算法例程

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

       参考例程如下所示。

 

#include < opencv2/opencv.hpp >
#include < stdio.h >
#include < sys/time.h >
#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< det > 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;
}

审核编辑 黄宇