【拆·應用】是為開源鴻蒙應用開發者打造的技術分享平臺，是匯聚開發者的技術洞見與實踐經驗、提供開發心得與創新成果的展示窗口。誠邀您踴躍發聲，期待您的真知灼見與技術火花！

引言

本期內容由AI Model SIG提供，介紹了在開源鴻蒙中，基于RK3588的RKNN人臉識別應用開發全流程。

背景介紹

在邊緣計算領域，RK3588作為一款高性能AIoT芯片，具備6TOPS的NPU算力，非常適合部署人臉識別等計算機視覺應用。深圳市視美泰技術股份有限公司（以下簡稱“視美泰”）基于開源鴻蒙系統，結合Rockchip NPU強大的AI算力，基于RKNN開發了人臉識別應用案例，此案例將RKNN能力與開源鴻蒙進行適配和集成，為開發者提供直觀、便捷的AI應用體驗。

RKNN介紹

RKNN是瑞芯微推出的神經網絡推理加速引擎，Rockchip NPU平臺使用的模型類型，RKNN通常應用于邊緣設備上的深度學習任務，如人臉識別、物體檢測和語音識別等。它是一個強大的神經網絡開發和運行框架，簡化了深度學習模型開發的多個復雜步驟，并提供了優秀的跨平臺支持和模型優化能力。

技術實現詳解

本案例采用雙模型推理設計，充分發揮Rockchip NPU的硬件優勢：

YOLOv5人臉檢測模型：負責實時檢測圖像中的人臉位置。

FaceNet特征提取模型：提取人臉特征向量，實現精準識別。

檢測流程：攝像頭采集 → 圖像預處理 → RKNN推理 → 結果處理 → UI顯示

1.模型加載與初始化

模型加載流程：

（1）首先嘗試從應用沙箱目錄加載已保存的模型文件。

（2）如果沙箱中不存在，則從rawfile資源中加載。

（3）初始化RKNN上下文，設置使用所有NPU核心（RKNN_NPU_CORE_0_1_2）。

（4）查詢模型的輸入輸出信息，獲取tensor屬性。

2.預覽流圖像預處理

（1）首先通過opencv庫的imread讀取預覽流圖像。

（2）獲取的預覽流圖像為BGR格式，需要將BGR轉為RGB格式。

（3）計算目標尺寸和縮放比例。

（4）再通過計算出來的比例進行自適應縮放和填充，通過opencv庫的resize和copyMakeBorder完成調整預覽流圖像大小和添加填充，這種處理方式可以避免圖像變形，提高檢測精度。

3.人臉檢測推理執行

（1）準備并設置輸入數據參數。

（2）通過rknn_inputs_set設置輸入。

（3）對預覽流圖片執行推理，獲取輸出結果。

（4）通過后處理函數處理YOLOv5模型的輸出，將輸出轉換為可用的檢測結果，包括邊界框坐標、類別和置信度。

4.人臉識別圖像預處理

（1）首先根據人臉檢測過程中保存的人臉邊界坐標數據，對對應的預覽流圖片進行人臉裁切，將預覽流中裁切出來的人臉圖尺寸縮放到224*224，將這一尺寸作為標準的人臉識別輸入尺寸，將縮放好的圖片輸出保存。

（2）啟動人臉識別工作線程（如果尚未啟動）。

（3）獲取當前時間戳，查找剛剛輸出的縮放好的圖片，將時間戳最接近現在時間戳的添加到異步處理隊列中。

5.人臉識別推理流程

（1）將準備推理的人臉圖像進行預處理。

（2）準備輸入數據并且設置輸入。

（3）執行推理，獲取輸出結果。

（4）查詢輸出張量的屬性（包括零點和縮放因子），將輸出向量大小調整為128維，并將量化的int8數據轉換回浮點數，實現將模型的量化輸出轉換回原始特征空間。

（5）最后計算特征向量的平方和，計算L2范數，將特征向量的每個元素除以L2范數歸一化后的特征向量長度為1，便于后續使用余弦相似度計算人臉相似性。

6.獲取人臉與人臉庫對比

（1）首先人臉庫的人臉圖像會在應用啟動時，自動執行人臉識別推理，并保存從人臉圖像中提取的128維特征向量。

（2）再從實時人臉的圖像中提取到128維特征向量后，會與人臉庫中保存的128維特征向量進行點積計算，因為進行了歸一化處理，所以返回值相似度的范圍為0.0-1.0，當相似度為0.6以上即為同張人臉。

NAPI接口

本應用共提供3個NAPI接口，供開發者在ArkTS調用，能夠快速實現人臉識別應用的開發：

下列接口返回值中 * 表示僅在成功時存在并返回

saveModelFile - 保存模型文件

saveFaceDatabaseImages - 保存人臉數據庫圖片

processImageWithRKNN - 圖像處理與人臉識別

程序運行流程

展示應用運行時的部分重要函數：

1.應用啟動階段

2.攝像頭初始化

3.圖片處理流水線

4.RKNN NAPI接口調用

5.UI渲染與交互

技術特點

NPU加速:充分利用Rockchip NPU的算力，實現高效的模型推理。

多核心支持:設置使用所有NPU核心，最大化硬件利用率。

異步處理:人臉識別采用異步處理，不阻塞UI線程。

內存優化:智能管理模型數據和圖像緩存，避免內存泄漏。

實時結果反饋:提供實時的人臉檢測和識別結果。

依賴

1.操作系統及硬件依賴

OpenHarmony系統版本: 僅支持OpenHarmony 5.0.0 Release 64位系統(API 12)。

設備要求: 需要支持Rockchip NPU的設備，案例默認適配RK3588。

2.模型依賴

將所需模型放置在rawfile/model/usemodel/目錄下。

yolov5.rknn: 人臉檢測模型，需要放置在rawfile/model/usemodel/目錄下。

facenet.rknn: 人臉特征提取模型，需要放置在rawfile/model/usemodel/目錄下。

3.人臉識別人臉庫依賴

將所需識別人物的參考人臉圖片放置在rawfile/face_databases目錄下，按1-20命名，例如：1.jpg。

應用效果展示

演示使用板卡：視美泰 AIoT-3588A

OpenHarmony版本：OpenHarmony 5.0.0 Release 64位

RKNPU版本: v0.9.8

同一個人不同場景下的識別效果展示

不同人的識別效果展示

總結

本文主要介紹了基于開源鴻蒙系統，將RKNN適配了開源鴻蒙，實現RKNN人臉識別應用案例，可智能識別人臉及與人臉庫中的參考人臉進行匹配比對。文中使用搭載開源鴻蒙5.0.0 Release 64位系統的視美泰AIoT-3588A開發板進行應用案例效果展示。

應用源碼獲取

RKNN人臉識別應用案例相關源碼均已上傳至gitcode。

倉庫地址：https://gitcode.com/openharmony-sig/applications_ai_model_samples/tree/master/RknnFacialRecognitionDemo_api12

開源鴻蒙 64位固件以及燒錄文檔鏈接：

https://pan.baidu.com/s/1kgLCKylfeaYkuaBwehInBw?pwd=mf6t

提取碼：mf6t