1. 人臉檢測簡介

人臉檢測是人臉識別、人臉屬性分類、人臉編輯、人臉跟蹤等任務必不可少的早期步驟，其性能直接影響到人臉識別等任務的有效性。盡管在過去的幾十年里，不受控制的人臉檢測取得了巨大的進步，但在野外準確高效的人臉檢測仍然是一個公開的挑戰。這是由于姿勢的變化、面部表情、比例、光照、圖像失真、面部遮擋等因素造成的。與一般的目標檢測不同，人臉檢測的特點是在縱橫比上的變化較小，但在尺度上的變化大得多(從幾個像素到數千像素)。

本人臉檢測算法在數據集表現如下所示：

基于EASY-EAI-Nano硬件主板的運行效率：

2. 快速上手

2.1 開發環境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發環境準備/Easy-Eai編譯環境準備與更新》，并按照其相關的操作，進行編譯環境的部署。

在PC端Ubuntu系統中執行run腳本，進入EASY-EAI編譯環境，具體如下所示。

cd ~/develop_environment
./run.sh

2.2 源碼下載以及例程編譯

在EASY-EAI編譯環境下創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，在管理目錄內克隆遠程倉庫

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

注：

* 此處可能會因網絡原因造成卡頓，請耐心等待。

* 如果實在要在gitHub網頁上下載，也要把整個倉庫下載下來，不能單獨下載本實例對應的目錄。

進入到對應的例程目錄執行編譯操作，具體命令如下所示：

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

注：

* 若build.sh腳本帶有cpres參數，則會把Release/目錄下的所有資源都拷貝到開發板上。

* 若build.sh腳本不帶任何參數，則僅會拷貝demo編譯出來的可執行文件。

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

2.3 模型部署

要完成算法Demo的執行，需要先下載人臉檢測算法模型。

百度網盤鏈接為：https://pan.baidu.com/s/1cxnx1T0ldJvoqkyTk1RmUg (提取碼：0b6h )。

同時需要把下載的人臉檢測算法模型復制粘貼到Release/目錄：

再通過下方命令將模型署到板卡中，如下所示。

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

2.4 例程運行

通過按鍵Ctrl+Shift+T創建一個新窗口，執行adb shell命令，進入板卡運行環境。

adb shell

進入板卡后，定位到例程上傳的位置，如下所示：

cd /userdata/Demo

運行例程命令如下所示：

./test-face-detect test.jpg

2.5 運行效果

Face-detect的Demo執行效果如下所示:

再開一個窗口，在PC端Ubuntu環境通過以下命令可以把圖片拉回來:

adb pull /userdata/Demo/result.jpg .

結果圖片如下所示：

3. 人臉檢測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 人臉檢測初始化函數

設置人臉檢測初始化函數原型如下所示。

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

具體介紹如下所示。

3.3 人臉檢測運行函數

設face_detect_run原型如下所示。

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

具體介紹如下所示。

3.4 人臉檢測釋放函數

人臉檢測釋放函數原型如下所示。

 int face_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 人臉檢測算法例程

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

參考例程如下所示。

#include 
#include 
#include 
#include "face_detect.h"

using namespace cv;


int main(int argc, char **argv)
{
	if( argc != 2)
	{
		printf("./test-face-detect xxxn");
		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 %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;
}

審核編輯 黃宇