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-TB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

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-1126B.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。

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

同時需要把下載的人臉檢測算法模型復制粘貼到Release/目錄：

2.4 例程編譯

進入到對應的例程目錄執行編譯操作，具

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

體命令如下所示：

注：

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持/mnt掛載。

* 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。

2.5 例程運行及效果

通過串口調試或ssh調試，進入板卡后臺，定位到例程部署的位置，如下所示：

cd /userdata/Demo/algorithm-face_detect/

運行例程命令如下所示：

sudo ./test-face-detect test.jpg

在EASY-EAI編譯環境可以取回測試圖片:

cp /mnt/userdata/Demo/algorithm-face_detect/result.jpg .

結果圖片如下所示：

API的詳細說明，以及API的調用（本例程源碼），詳細信息見下方說明。

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

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

人臉檢測運行函數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Demos/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 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; }