如何在OpenHarmony上使用SeetaFace2人脸识别库？
Posted OpenHarmony开发者社区
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了如何在OpenHarmony上使用SeetaFace2人脸识别库？相关的知识，希望对你有一定的参考价值。
如何在OpenHarmony上使用SeetaFace2人脸识别库？
简介
相信大部分同学们都已了解或接触过OpenAtom OpenHarmony（以下简称“OpenHarmony”）了，但你一定没在OpenHarmony上实现过人脸识别功能，跟着本文带你快速在OpenHarmony标准设备上基于SeetaFace2和OpenCV实现人脸识别。
项目效果
本项目实现了导入人脸模型、人脸框选和人脸识别三大功能，操作流程如下：
1. 录入页面点击右下角按钮，跳转拍摄页面进行拍照；
2. 选择一张或多张人脸作为训练模型，并设置对应的名字；
3. 选择一张未录入的人脸图片，点击框选按钮实现人脸图片框选功能；
4. 最后点击识别，应用会对当前图片进行匹配，最终在界面中显示识别结果。
快速上手
设备端开发
设备端通过OpenCV对图像进行处理并通过Seetaface2对图形数据进行人脸头像的识别，最终输出对应的NAPI接口提供给应用端调用。因此设备端开发主要涉及到OpenCV和Seetaface2的移植以及NAPI接口的开发。
OpenCV库移植
OpenCV是一个功能非常强大的开源计算机视觉库。此库已由知识体系工作组移植到了OpenHarmony中，后期还会将此库合入到主仓。在此库上主仓之前，我们只需要以下几个步骤就可以实现OpenCV的移植使用。
1. 通过以下命令下载已经移植好的OpenCV
git clone git@gitee.com:zhong-luping/ohos_opencv.git
2. 将OpenCV拷贝到OpenHarmony目录的third_party下
cp -raf opencv ~/openharmony/third_party/
3. 适当裁剪编译选项
打开OpenCV目录下的BUILD.gn，如下：
不需要video以及flann功能，将对应的模块注释即可。
import("//build/ohos.gni")
group("opencv")
deps = [
"//third_party/opencv/modules/core:opencv_core",
// "//third_party/opencv/modules/flann:opencv_flann",
"//third_party/opencv/modules/imgproc:opencv_imgproc",
"//third_party/opencv/modules/ml:opencv_ml",
"//third_party/opencv/modules/photo:opencv_photo",
"//third_party/opencv/modules/dnn:opencv_dnn",
"//third_party/opencv/modules/features2d:opencv_features2d",
"//third_party/opencv/modules/imgcodecs:opencv_imgcodecs",
"//third_party/opencv/modules/videoio:opencv_videoio",
"//third_party/opencv/modules/calib3d:opencv_calib3d",
"//third_party/opencv/modules/highgui:opencv_highgui",
"//third_party/opencv/modules/objdetect:opencv_objdetect",
"//third_party/opencv/modules/stitching:opencv_stitching",
"//third_party/opencv/modules/ts:opencv_ts",
// "//third_party/opencv/modules/video:opencv_video",
"//third_party/opencv/modules/gapi:opencv_gapi",
]
4. 添加依赖子系统的part_name，编译框架子系统会将编译出的库拷贝到系统文件中。
此项目中我们新建了一个SeetaFaceApp的子系统，该子系统中命名part_name为SeetafaceApi，所以我们需要在对应模块中的BUILD.gn中加上part_name="SeetafaceApi"
以module/core为例：
ohos_shared_library("opencv_core")
sources = [ ... ]
configs = [ ... ]
deps = [ ... ]
part_name = "SeetafaceApi"
5. 编译工程需要添加OpenCV的依赖。
在生成NAPI的BUILD.gn中添加以下依赖：
deps += [ "//third_party/opencv:opencv" ]
至此，人脸识别中OpenCV的移植使用完成。
SeetaFace2库移植
SeetaFace2是中科视拓开源的第二代人脸识别库。包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块FaceDetector、面部关键点定位模块FaceLandmarker以及人脸特征提取与比对模块 FaceRecognizer。
关于SeetaFace2的移植请参照文档:SeetaFace2移植开发文档。
NAPI接口开发
关于OpenHarmony中的NAPI开发，参考视频：
OpenHarmony中napi的开发视频教程。本文将重点讲解NAPI接口如何实现OpenCV以及SeetaFace的调用。
1. 人脸框获取的NAPI接口的实现。
int GetRecognizePoints(const char *image_path)；
此接口主要是通过应用层输入一张图片，通过OpenCV的imread接口获取到图片数据，并通过人脸检测模块FaceDetector分析获得图片中所有的人脸矩形框（矩形框是以x,y,w,h的方式）并将人脸框矩形以数组的方式返回到应用层。
人脸框矩形获取的主要代码如下：
static int RecognizePoint(string image_path, FaceRect *rect, int num)
if (rect == nullptr)
cerr << "NULL POINT!" << endl;
LOGE("NULL POINT! \\n");
return -1;
seeta::ModelSetting::Device device = seeta::ModelSetting::CPU;
int id = 0;
/* 设置人脸识别模型。*/
seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );
seeta::ModelSetting FL_model( "/system/usr/model/pd_2_00_pts81.dat", device, id );
seeta::FaceDetector FD(FD_model);
seeta::FaceLandmarker FL(FL_model);
FD.set(seeta::FaceDetector::PROPERTY_VIDEO_STABLE, 1);
/* 读取图片数据 */
auto frame = imread(image_path);
seeta::cv::ImageData simage = frame;
if (simage.empty())
cerr << "Can not open image: " << image_path << endl;
LOGE("Can not open image: %publics", image_path.c_str());
return -1;
/* 图片数据进行人脸识别处理 ，获取所有的人脸框数据对象*/
auto faces = FD.detect(simage);
if (faces.size <= 0)
cerr << "detect " << image_path << "failed!" << endl;
LOGE("detect image: %s failed!", image_path.c_str());
return -1;
for (int i = 0; (i < faces.size && i < num); i++)
/* 将所有人脸框对象数据以坐标形式输出*/
auto &face = faces.data[i];
memcpy(&rect[i], &(face.pos), sizeof(FaceRect));
return faces.size;
其中FD_model是人脸检测模型，而FL_model是面部关键点定位模型(此模型分为5点定位和81点定位，本项目中使用的是81点定位模型)，这些模型从开源项目中免费获取。
通过以上方式获取到对应的人脸矩形框后，再将矩形框以数组的方式返回到应用端：
string image = path;
p = (FaceRect *)malloc(sizeof(FaceRect) * MAX_FACE_RECT);
/* 根据图片进行人脸识别并获取人脸框坐标点 */
int retval = RecognizePoint(image, p, MAX_FACE_RECT);
if (retval <= napi_ok)
LOGE("GetNapiValueString failed!");
free(p);
return result;
/*将所有坐标点以数组方式返回到应用端*/
for (int i = 0; i < retval; i++)
int arry_int[4] = p[i].x, p[i].y, p[i].w, p[i].h;
int arraySize = (sizeof(arry_int) / sizeof(arry_int[0]));
for (int j = 0; j < arraySize; j++)
napi_value num_val;
if (napi_create_int32(env, arry_int[j], &num_val) != napi_ok)
LOGE("napi_create_int32 failed!");
return result;
napi_set_element(env, array, i*arraySize + j, num_val);
if (napi_create_object(env, &result) != napi_ok)
LOGE("napi_create_object failed!");
free(p);
return result;
if (napi_set_named_property(env, result, "recognizeFrame", array) != napi_ok)
LOGE("napi_set_named_property failed!");
free(p);
return result;
LOGI("");
free(p);
return result;
其中array是通过napi_create_array创建的一个NAPI数组对象，通过 napi_set_element将所有的矩形框数据保存到array对象中，最后通过 napi_set_named_property将array转换成应用端可识别的对象类型result并将其返回。
2. 人脸搜索识别初始化与逆初始化。
1. int FaceSearchInit()；
2. int FaceSearchDeinit()；
这2个接口主要是提供给人脸搜索以及识别调用的，初始化主要包含模型的注册以及识别模块的初始化：
static int FaceSearchInit(FaceSearchInfo *info)
if (info == NULL)
info = (FaceSearchInfo *)malloc(sizeof(FaceSearchInfo));
if (info == nullptr)
cerr << "NULL POINT!" << endl;
return -1;
seeta::ModelSetting::Device device = seeta::ModelSetting::CPU;
int id = 0;
seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );
seeta::ModelSetting PD_model( "/system/usr//model/pd_2_00_pts5.dat", device, id );
seeta::ModelSetting FR_model( "/system/usr/model/fr_2_10.dat", device, id );
info->engine = make_shared<seeta::FaceEngine>(FD_model, PD_model, FR_model, 2, 16);
info->engine->FD.set( seeta::FaceDetector::PROPERTY_MIN_FACE_SIZE, 80);
info->GalleryIndexMap.clear();
return 0;
而逆初始化就是做一些内存的释放。
static void FaceSearchDeinit(FaceSearchInfo *info, int need_delete)
if (info != nullptr)
if (info->engine != nullptr)
info->GalleryIndexMap.clear();
if (need_delete)
free(info);
info = nullptr;
3. 人脸搜索识别注册接口的实现。
int FaceSearchRegister(const char *value);
需要注意的是，该接口需要应用端传入一个json数据的参数，主要包含注册人脸的名字，图片以及图片个数，如"name":"刘德华","sum":"2","image":"11.jpg","12.jpg"。而解析参数的时候需要调用 napi_get_named_property对json数据的各个对象进行解析，具体代码如下：
napi_get_cb_info(env, info, &argc, &argv, &thisVar, &data);
napi_value object = argv;
napi_value value = nullptr;
if (napi_get_named_property(env, object, (const char *)"name", &value) == napi_ok)
char name[64] = 0;
if (GetNapiValueString(env, value, (char *)name, sizeof(name)) < 0)
LOGE("GetNapiValueString failed!");
return result;
reg_info.name = name;
LOGI("name = %publics", reg_info.name.c_str());
if (napi_get_named_property(env, object, (const char *)"sum", &value) == napi_ok)
if (napi_get_value_uint32(env, value, &sum) != napi_ok)
LOGE("napi_get_value_uint32 failed!");
return result;
LOGI("sum = %publicd", sum);
if (napi_get_named_property(env, object, (const char *)"image", &value) == napi_ok)
bool res = false;
if (napi_is_array(env, value, &res) != napi_ok || res == false)
LOGE("napi_is_array failed!");
return result;
for (int i = 0; i < sum; i++)
char image[256] = 0;
napi_value imgPath = nullptr;
if (napi_get_element(env, value, i, &imgPath) != napi_ok)
LOGE("napi_get_element failed!");
return result;
if (GetNapiValueString(env, imgPath, (char *)image, sizeof(image)) < 0)
LOGE("GetNapiValueString failed!");
return result;
reg_info.path = image;
if (FaceSearchRegister(g_FaceSearch, reg_info) != napi_ok)
retval = -1;
break;
通过napi_get_cb_info获取从应用端传来的参数，并通过 napi_get_named_property获取对应的name以及图片个数，最后通过napi_get_element获取图片数组中的各个image，将name和image通过FaceSearchRegister接口将图片和名字注册到SeetaFace2模块的识别引擎中。具体实现如下：
static int FaceSearchRegister(FaceSearchInfo &info, RegisterInfo &gegister)
if (info.engine == nullptr)
cerr << "NULL POINT!" << endl;
return -1;
seeta::cv::ImageData image = cv::imread(gegister.path);
auto id = info.engine->Register(image);
if (id >= 0)
info.GalleryIndexMap.insert(make_pair(id, gegister.name));
return 0;
注册完数据后，后续可以通过该引擎来识别对应的图片。
4. 获取人脸搜索识别结果接口的实现。
char *FaceSearchGetRecognize(const char *image_path);
该接口实现了通过传入一张图片，在识别引擎中进行搜索识别。如果识别引擎中有类似的人脸注册，则返回对应人脸注册时的名字，否则返回不识别(ignored)字样。该方法是通过异步回调的方式实现的：
// 创建async work，创建成功后通过最后一个参数(commandStrData->asyncWork)返回async work的handle
napi_value resourceName = nullptr;
napi_create_string_utf8(env, "FaceSearchGetPersonRecognizeMethod", NAPI_AUTO_LENGTH, &resourceName);
napi_create_async_work(env, nullptr, resourceName, FaceSearchRecognizeExecuteCB, FaceSearchRecognizeCompleteCB,
(void *)commandStrData, &commandStrData->asyncWork);
// 将刚创建的async work加到队列，由底层去调度执行
napi_queue_async_work(env, commandStrData->asyncWork);
其中FaceSearchRecognizeExecuteCB实现了人脸识别
static void FaceSearchRecognizeExecuteCB(napi_env env, void *data)
CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);
if (commandStrData == nullptr)
HILOG_ERROR("nullptr point!", __FUNCTION__, __LINE__);
return;
FaceSearchInfo faceSearch = *(commandStrData->mFaceSearch);
commandStrData->result = FaceSearchSearchRecognizer(faceSearch, commandStrData->filename);
LOGI("Recognize result : %s !", __FUNCTION__, __LINE__, commandStrData->result.c_str());
FaceSearchRecognizeCompleteCB函数通过napi_resolve_deferred接口将识别结果返回到应用端。
static void FaceSearchRecognizeCompleteCB(napi_env env, napi_status status, void *data)
CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);
napi_value result;
if (commandStrData == nullptr || commandStrData->deferred == nullptr)
LOGE("nullptr", __FUNCTION__, __LINE__);
if (commandStrData != nullptr)
napi_delete_async_work(env, commandStrData->asyncWork);
delete commandStrData;
return;
const char *result_str = (const char *)commandStrData->result.c_str();
if (napi_create_string_utf8(env, result_str, strlen(result_str), &result) != napi_ok)
LOGE("napi_create_string_utf8 failed!", __FUNCTION__, __LINE__);
napi_delete_async_work(env, commandStrData->asyncWork);
delete commandStrData;
return;
napi_resolve_deferred(env, commandStrData->deferred, result);
napi_delete_async_work(env, commandStrData->asyncWork);
delete commandStrData;
通过人脸特征提取与比对模块，对传入的数据与已注册的数据进行对比，并通过返回对比的相似度来进行判断当前人脸是否为可识别的，最后返回识别结果。具体实现代码：
static string FaceSearchSearchRecognizer(FaceSearchInfo &info, string filename)
if (info.engine == nullptr)
cerr << "NULL POINT!" << endl;
return "recognize error 0";
string name;
float threshold = 0.7f;
seeta::QualityAssessor QA;
auto frame = cv::imread(filename);
if (frame.empty())
LOGE("read image %publics failed!", filename.c_str());
return "recognize error 1!";
seeta::cv::ImageData image = frame;
std::vector<SeetaFaceInfo> faces = info.engine->DetectFaces(image);
for (SeetaFaceInfo &face : faces)
int64_t index = 0;
float similarity = 0;
auto points = info.engine->DetectPoints(image, face);
auto score = QA.evaluate(image, face.pos, points.data());
if (score == 0)
name = "ignored";
else
auto queried = info.engine->QueryTop(image, points.data(), 1, &index, &similarity);
// no face queried from database
if (queried < 1) continue;
// similarity greater than threshold, means recognized
if( similarity > threshold )
name = info.GalleryIndexMap[index];
LOGI("name : %publics \\n", name.length() > 0 ? name.c_str() : "null");
return name.length() > 0 ? name : "recognize failed";
至此，所有的NAPI接口已经开发完成。
5. NAPI库编译开发完NAPI接口后，我们需要将我们编写的库加入到系统中进行编译，我们需要添加一个自己的子系统。
首先在库目录下新建一个ohos.build
"subsystem": "SeetafaceApp",
"parts":
"SeetafaceApi":
"module_list": [
"//seetaface:seetafaceapp_napi"
],
"test_list": [ ]
其次同一目录新建一个BUILD.gn，将库源文件以及对应的依赖加上，如下：
import("//build/ohos.gni")
config("lib_config")
cflags_cc = [
"-frtti",
"-fexceptions",
"-DCVAPI_EXPORTS",
"-DOPENCV_ALLOCATOR_STATS_COUNTER_TYPE=int",
"-D_USE_MATH_DEFINES",
"-D__OPENCV_BUILD=1",
"-D__STDC_CONSTANT_MACROS",
"-D__STDC_FORMAT_MACROS",
"-D__STDC_LIMIT_MACROS",
"-O2",
"-Wno-error=header-hygiene",
]
ohos_shared_library("seetafaceapp_napi")
sources = [
"app.cpp",
]
include_dirs = [
"./",
"//third_party/opencv/include",
"//third_party/opencv/common",
"//third_party/opencv/modules/core/include",
"//third_party/opencv/modules/highgui/include",
"//third_party/opencv/modules/imgcodecs/include",
"//third_party/opencv/modules/imgproc/include",
"//third_party/opencv/modules/calib3d/include",
"//third_party/opencv/modules/dnn/include",
"//third_party/opencv/modules/features2d/include",
"//third_party/opencv/modules/flann/include",
"//third_party/opencv/modules/ts/include",
"//third_party/opencv/modules/video/include",
"//third_party/opencv/modules/videoio/include",
"//third_party/opencv/modules/ml/include",
"//third_party/opencv/modules/objdetect/include",
"//third_party/opencv/modules/photo/include",
"//third_party/opencv/modules/stitching/include",
"//third_party/SeetaFace2/FaceDetector/include",
"//third_party/SeetaFace2/FaceLandmarker/include",
"//third_party/SeetaFace2/FaceRecognizer/include",
"//third_party/SeetaFace2/QualityAssessor/include",
"//base/accessibility/common/log/include",
"//base/hiviewdfx/hilog_lite/interfaces/native/innerkits"
]
deps = [ "//foundation/ace/napi:ace_napi" ]
deps += [ "//third_party/opencv:opencv" ]
deps += [ "//third_party/SeetaFace2:SeetaFace2" ]
external_deps = [
"hiviewdfx_hilog_native:libhilog",
]
configs = [
":lib_config"
]
# 指定库生成的路径
relative_install_dir = "module"
# 子系统及其组件，后面会引用
subsystem_name = "SeetafaceApp"
part_name = "SeetafaceApi"
添加完对应的文件后，我们需要将我们的子系统添加到系统中进行编译，打开build/subsystem_config.json并在最后添加以下代码：
"SeetafaceApp":
"path": "seetaface",
"name": "SeetafaceApp"
添加完子系统再修改产对应的品配置
打开productdefine/common/products/rk3568.json并在最后添加以下代码：
"SeetafaceApp:SeetafaceApi":
做完以上修改后我们就可以通过以下命令直接编译NAPI的库文件了：
./build.sh --product-name rk3568 --ccache
参考RK3568快速上手-镜像烧录完成烧录即可。
应用端开发
在完成设备NAPI功能开发后，应用端通过调用NAPI组件中暴露给应用的人脸识别接口，即可实现对应功能。接下来就带着大家使用NAPI实现人脸识别功能。
开发准备
1. 下载DevEco Studio 3.0 Beta4；
2. 搭建开发环境，参考开发准备；
3. 了解属性eTS开发，参考eTS语言快速入门；
SeetaFace2初始化
1. 首先将SeetaFace2 NAPI接口声明文件放置于SDK目录/api下；
2. 然后导入SeetaFace2 NAPI模块；ck-start/star
3. 调用初始化接口；
// 首页实例创建后
async aboutToAppear()
await StorageUtils.clearModel();
CommonLog.info(TAG,aboutToAppear)
// 初始化人脸识别
let res = SeetafaceApp.FaceSearchInit()
CommonLog.info(TAG,`FaceSearchInit res=$res`)
this.requestPermissions()
// 请求权限
requestPermissions()
CommonLog.info(TAG,requestPermissions)
let context = featureAbility.getContext()
context.requestPermissionsFromUser(PERMISSIONS, 666,(res)=>
this.getMediaImage()
)
获取所有人脸图片
通过文件管理模块fileio和媒体库管理mediaLibrary，获取指定应用数据目录下所有的图片信息，并将路径赋值给faceList，faceList数据用于Image组件提供url进行加载图片
// 获取所有图片
async getMediaImage()
let context = featureAbility.getContext();
// 获取本地应用沙箱路径
let localPath = await context.getOrCreateLocalDir()
CommonLog.info(TAG, `localPath:$localPath`)
let facePath = localPath + "/files"
// 获取所有照片
this.faceList = await FileUtil.getImagePath(facePath)
设置人脸模型
获取选中的人脸图片地址和输入的名字，调用SeetafaceApp.FaceSearchRegister(params)进行设置人脸模型。其中参数params由name名字、image图片地址集合和sum图片数量组成。
async submit(name)
if (!name || name.length == 0)
CommonLog.info(TAG, name is empty)
return
let selectArr = this.faceList.filter(item => item.isSelect)
if (selectArr.length == 0)
CommonLog.info(TAG, faceList is empty)
return
// 关闭弹窗
this.dialogController.close()
try
let urls = []
let files = []
selectArr.forEach(item =>
let source = item.url.replace(file://, )
CommonLog.info(TAG, `source:$source`)
urls.push(item.url)
files.push(source)
)
// 设置人脸识别模型参数
let params =
name: name,
image: files,
sum: files.length
CommonLog.info(TAG, FaceSearchRegister + JSON.stringify(params))
let res = SeetafaceApp.FaceSearchRegister(params)
CommonLog.info(TAG, FaceSearchRegister res + res)
// 保存已设置的人脸模型到轻量存储
let data =
name:name,
urls:urls
let modelStr = await StorageUtils.getModel()
let modelList = JSON.parse(modelStr)
modelList.push(data)
StorageUtils.setModel(modelList)
router.back()
catch (err)
CommonLog.error(TAG, submit fail + err)
实现框选人脸
调用SeetafaceApp.GetRecognizePoints传入当前图片地址，获取到人脸左上和右下坐标，再通过CanvasRenderingContext2D对象绘画出人脸框。
实现人脸识别
调用SeetafaceApp.FaceSearchGetRecognize(url)，传入图片地址对人脸进行识别并返回对应识别出来的名字。
// 人脸识别
recognize()
SeetafaceApp.FaceSearchGetRecognize(this.url).then(res=>
CommonLog.info(TAG,recognize suceess + JSON.stringify(res))
if(res && res != ignored && res != "recognize failed" && res != recognize error 1!)
// 赋值识别到的人物模型
this.name = res
else
this.name = 未识别到该模型
).catch(err=>
CommonLog.error(TAG,recognize + err)
this.name = 未识别到该模型
)
参考文档
SeetaFace2移植开发文档：
OpenHarmony中napi的开发视频教程：
https://www.bilibili.com/video/BV1L44y1p7KE?spm_id_from=333.999.0.0
RK3568快速上手：
https://growing.openharmony.cn/mainPlay/learnPathMaps?id=27
人脸识别应用：
应用开发准备：
https://docs.openharmony.cn/pages/v3.2Beta/zh-cn/application-dev/quick-start/start-overview.md/
eTS语言快速入门：
https://docs.openharmony.cn/pages/v3.2Beta/zh-cn/application-dev/quick-start/start-with-ets.md/
知识体系工作组：
https://gitee.com/openharmony-sig/knowledge
以上是关于如何在OpenHarmony上使用SeetaFace2人脸识别库？的主要内容，如果未能解决你的问题，请参考以下文章
v79.01 鸿蒙内核源码分析(用户态锁篇) | 如何使用快锁Futex(上) | 百篇博客分析OpenHarmony源码
v79.01 鸿蒙内核源码分析(用户态锁篇) | 如何使用快锁Futex(上) | 百篇博客分析OpenHarmony源码
v79.01 鸿蒙内核源码分析(用户态锁篇) | 如何使用快锁Futex(上) | 百篇博客分析OpenHarmony源码