瑞芯微(EASY EAI)RV1126B 人脸检测使用

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：

基于EASY-EAI-Nano-TB硬件主板的运行效率：

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

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-1126B.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。

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/1nGQCTpD_Bk4byxqILZSWwA?pwd=1234 （提取码：1234 ）。

同时需要把下载的人脸检测算法模型复制粘贴到Release/目录：

2.4 例程编译

进入到对应的例程目录执行编译操作，具

cd EASY-EAI-Toolkit-1126B/Demos/algorithm-face_detect/ ./build.sh cpres

体命令如下所示：

注：

* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持/mnt挂载。

* 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。

2.5 例程运行及效果

通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：

cd /userdata/Demo/algorithm-face_detect/

运行例程命令如下所示：

sudo ./test-face-detect test.jpg

在EASY-EAI编译环境可以取回测试图片:

cp /mnt/userdata/Demo/algorithm-face_detect/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。

3.2 人脸检测初始化函数

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。

3.3 人脸检测运行函数

人脸检测运行函数face_detect_run原型如下所示。

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

具体介绍如下所示。

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。

4. 人脸检测算法例程

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

参考例程如下所示。

#include #include #include #include "face_detect.h" using namespace cv; int main(int argc, char **argv) { if( argc != 2) { printf("./test-face-detect xxx\n"); 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 %f\n",time_use/1000); printf("face num:%d\n", (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; }