基于RK3576开发板的人脸检测算法

1. 人脸检测简介

人脸检测是人脸辨认、人脸属性分类、人脸编纂、人脸跟踪等义务必不成少的晚期步调，其功能间接影响到人脸辨认等义务的无效性。虽然正在过来的几十年里，没有受节制的人脸检测获得了宏大的提高，但正在家中精确下效的人脸检测依然是一个地下的应战。那是因为姿态的转变、脸部脸色、比例、光照、图象掉实、脸部遮挡等要素形成的。取普通的目的检测分歧，人脸检测的特性是正在纵横比上的转变较小，但正在标准上的转变年夜很多(从几个像素到数千像素)。

自己脸检测算法正在数据散表示以下所示：

人脸检测算法	performance
FDDB	98.64%

基于EASY-EAI-Orin-Nano硬件主板的运转效力：

算法品种	运转效力
face_detect	16ms

2. 疾速上脚

假如您初度浏览此文档，请浏览：《进门指北/源码治理及编程引见/源码工程治理》，按需治理本人工程源码（注：此文档必看，并倡议采取【近程挂载治理】体例，不然有代码丧失风险！！！）。

2.1 源码工程下载

先正在PC实拟机定位到nfs效劳目次，再正在目次中创立寄存源码堆栈的治理目次：

cd ~/nfsroot
mkdir GitHub
cd GitHub

再经过git东西，正在治理目次内克隆近程堆栈（需求装备能对中网停止拜访）

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-3576.git

注：

* 此处能够会果收集缘由形成卡顿，请耐烦等候。

* 假如真实要正在gitHub网页高低载，也要把全部堆栈下载上去，不克不及独自下载本真例对应的目次。

2.2 开辟情况拆建

经过adb shell进进板卡开辟情况，以下图所示。

经过以下号令，把nfs目次挂载上nfs效劳器。

mount -t nfs -o nolock < nfs server ip >:< nfs path in server > /home/orin-nano/Desktop/nfs/

2.3 例程编译

然后定位到板卡的nfs的挂载目次(依照实践挂载目次)，进进到对应的例程目次履行编译操纵，详细号令以下所示：

cd EASY-EAI-Toolkit-3576/Demos/algorithm-face_detect/
./build.sh

2.4 模子摆设

要完成算法Demo的履行，需求先下载人脸检测算法模子。

百度网盘链接为：https://pan.百度.com/s/1UflOWeHJOBf1envujW7tEA?pwd=1234 （提与码：1234 ）。

同时需求把下载的人脸检测算法模子复造粘揭到Release/目次：

2.5 例程运转及结果

进进开辟板Release目次，履行下圆号令，运转示例顺序：

cd Release/
./test-face-detect test.jpg

运转例程号令以下所示：

后果图片以下所示：

API的具体阐明，和API的挪用（本例程源码），具体疑息睹下圆阐明。

3. 人脸检测API阐明

3.1 援用体例

为便利客户正在当地工程中间接挪用我们的EASY EAI api库，此处列收工程中需求链接的库和头文件等，便利用户间接增加。

选项	描绘
头文件目次	easyeai-api/algorithm/face_detect
库文件目次	easyeai-api/algorithm/face_detect
库链接参数	-lface_detect

3.2 人脸检测初初化函数

人脸检测初初化函数本型以下所示。

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

详细引见以下所示。

函数名： face_detect_init()
头文件	face_detect.h
输出参数	ctx：rknn_context句柄
输出参数	path:算法模子的途径
前往值	胜利前往：0
	掉败前往：-1
留意事项	无

3.3 人脸检测运转函数

人脸检测运转函数face_detect_run本型以下所示。

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

详细引见以下所示。

函数名：face_detect_run()
头文件	face_detect.h
输出参数	ctx: rknn_context句柄
输出参数	input_image:图象数据输出(cv::Mat是Opencv的范例)
输入参数	result:目的检测框输入
前往值	胜利前往：0
	掉败前往：-1
留意事项	无

3.4 人脸检测开释函数

人脸检测开释函数本型以下所示。

 int face_detect_release(rknn_context ctx)

详细引见以下所示。

函数名：face_detect_release ()
头文件	person_detect.h
输出参数	ctx: rknn_context句柄
前往值	胜利前往：0
	掉败前往：-1
留意事项	无

4. 人脸检测算法规程

例程目次为Demos/algorithm-face_detect/test-face-detect.cpp，操纵流程以下。

参考例程以下所示。

#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", (int)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;
}