基于RV1126开发板的人员检测算法开发

1. 人员检测简介

人员检测是一种基于深度学习的对人进行检测定位的目标检测，能广泛的用于安防、生产安全等多种场景，是周界入侵检测、越界识别、聚众识别、徘徊识别、摔倒识别等多种算法的基石算法。

本人脸检测算法在数据集表现如下所示：

 

人员检测算法	mAP@0.5
COCO	0.79

 

基于EASY-EAI-Nano硬件主板的运行效率：

 

算法种类	运行效率
person_detect	115ms

 

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-person_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，需要先下载人员检测算法模型。

百度网盘链接为：https://pan.baidu.com/s/1UfQ1QQ2hx0DsbF-ZNdcCAg （提取码：uer4 ）。

同时需要把下载的人员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-person-detect

 

2.5 运行效果

person-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：

API的详细说明，以及API的调用（本例程源码），详细信息见下方说明。

3. 人员检测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/person_detect
库文件目录	easyeai-api/algorithm_api/person_detect
库链接参数	-lpthread -lperson_detect -lrknn_api

 

3.2 人员检测初始化函数

设置人员检测初始化函数原型如下所示。

 

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

 

具体介绍如下所示。

 

函数名： person_detect_init()
头文件	person_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 人员检测运行函数

设person_detect_run原型如下所示。

 

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

 

具体介绍如下所示。

 

函数名： person_detect_run()
头文件	person_detect.h
输入参数	ctx: rknn_context句柄
input_image:图像数据输入(cv::Mat是Opencv的类型)
output_dets:目标检测框输出
返回值	成功返回：0
失败返回：-1
注意事项	无

 

3.4 人员检测释放函数

人脸检测释放函数原型如下所示。

 

int person_detect_release(rknn_context ctx)

 

具体介绍如下所示。

 

函数名：person_detect_release ()
头文件	person_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. 人员检测算法例程

例程目录为Toolkit-C-Demo/algorithm-person_detect/test-person-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"person_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) { /* 参数初始化 */ person_detect_result_group_t detect_result_group; /* 算法模型初始化 */ rknn_context ctx; person_detect_init(&ctx, "./person_detect.model"); /* 算法运行 */ cv::Mat src; src = cv::imread("test.jpg", 1); struct timeval start; struct timeval end; float time_use=0; gettimeofday(&start,NULL); person_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); /* 算法结果在图像中画出并保存 */ for (int i = 0; i < detect_result_group.count; i++) { person_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); /* 算法模型空间释放 */ person_detect_release(ctx); return 0; } 审核编辑 黄宇