戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)
Posted AI吃大瓜
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)相关的知识，希望对你有一定的参考价值。
android实现戴眼镜检测和识别(含源码，可实时检测)
目录
（5） 运行APP闪退：dlopen failed: library "libomp.so" not found
这是项目《戴眼镜检测和识别》系列之《Android实现戴眼镜检测和识别(含源码，可实时检测)》，主要分享将Python训练后的戴眼镜检测和识别模型移植到Android平台。我们将开发一个简易的、可实时运行的戴眼镜检测和识别的Android Demo。准确率还挺高的，采用轻量级mobilenet_v2模型的戴眼镜检测和识别准确率也可以高达98.6217%左右，基本满足业务性能需求。
项目将手把手教你将训练好的戴眼镜分类识别模型部署到Android平台中，包括如何转为ONNX，TNN模型，并移植到Android上进行部署，实现一个戴眼镜识别的Android Demo APP 。APP在普通Android手机上可以达到实时的检测识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/129263657
先展示一下Android版本戴眼镜识别Demo效果（其中绿色框表示佩戴了眼镜，红色框表示未佩戴眼镜）：
Android项目源码下载地址：戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)
Android戴眼镜检测和识别APP Demo体验：https://download.csdn.net/download/guyuealian/87524194
更多项目《戴眼镜检测和识别》系列文章请参考：
- 戴眼镜检测和识别1：戴眼镜检测数据集(含下载链接): https://blog.csdn.net/guyuealian/article/details/129263537
- 戴眼镜检测和识别2：Pytorch实现戴眼镜检测和识别(含戴眼镜数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/129263640
- 戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129263657
- 戴眼镜检测和识别4：C++实现戴眼镜检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129263677
- 戴口罩人脸检测1：戴口罩人脸数据集：https://blog.csdn.net/guyuealian/article/details/125069926
- 戴口罩人脸检测2：Pytorch实现戴口罩人脸检测和戴口罩识别(含训练代码 戴口罩人脸数据集)：https://blog.csdn.net/guyuealian/article/details/125428609
- 戴口罩人脸检测3：Android实现戴口罩人脸检测和戴口罩识别(附Android源码) ：https://blog.csdn.net/guyuealian/article/details/128404379
- 安全帽检测1：佩戴安全帽数据集：https://blog.csdn.net/guyuealian/article/details/127331580
- 安全帽检测2：YOLOv5实现佩戴安全帽检测和识别(含佩戴安全帽数据集+训练代码)：https://blog.csdn.net/guyuealian/article/details/127250780
- 安全帽检测3：Android实现佩戴安全帽检测和识别：https://blog.csdn.net/guyuealian/article/details/127345231
1.戴眼镜检测和识别方法
戴眼镜检测和识别方法有多种实现方案，这里采用最常规的方法：基于人脸检测+戴眼镜分类识别方法，即先采用通用的人脸检测模型，进行人脸检测，然后裁剪人脸区域，再训练一个戴眼镜分类器，对人脸是否戴眼镜进行分类识别（未戴眼镜和戴眼镜两个类别）；
这样做的好处，是可以利用现有的人脸检测模型，而无需重新训练人脸检测模型，可减少人工标注成本低；而戴眼镜分类数据相对而言比较容易采集，分类模型可针对性进行优化。
2.戴眼镜人脸检测
本项目人脸检测训练代码请参考：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
这是一个基于SSD改进且轻量化后人脸检测模型，很slim，整个模型仅仅1.7M左右，在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用，完全可以不局限我这个方法。
关于人脸检测的方法，可以参考我的另一篇博客：
行人检测和人脸检测和人脸关键点检测（C++/Android源码）
2.戴眼镜识别模型训练
关于戴眼镜识别模型的训练方法，请参考本人另一篇博文《戴眼镜检测和识别2：Pytorch实现戴眼镜检测和识别(含戴眼镜数据集和训练代码)》：https://blog.csdn.net/guyuealian/article/details/129263640
3.戴眼镜识别模型Android部署
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署。部署流程可分为四步：训练模型->将模型转换ONNX模型->将ONNX模型转换为TNN模型->Android端上部署TNN模型。
（1） 将Pytorch模型转换ONNX模型
训练好Pytorch模型后，我们需要先将模型转换为ONNX模型，以便后续模型部署。
- 原始项目提供转换脚本，你只需要修改model_file为你模型路径即可
- convert_torch_to_onnx.py实现将Pytorch模型转换ONNX模型的脚本
python libs/convert/convert_torch_to_onnx.py"""
This code is used to convert the pytorch model into an onnx format model.
"""
import sys
import os
sys.path.insert(0, os.getcwd())
import torch.onnx
import onnx
from classifier.models.build_models import get_models
from basetrainer.utils import torch_tools
def build_net(model_file, net_type, input_size, num_classes, width_mult=1.0):
"""
:param model_file: 模型文件
:param net_type: 模型名称
:param input_size: 模型输入大小
:param num_classes: 类别数
:param width_mult:
:return:
"""
model = get_models(net_type, input_size, num_classes, width_mult=width_mult, is_train=False, pretrained=False)
state_dict = torch_tools.load_state_dict(model_file)
model.load_state_dict(state_dict)
return model
def convert2onnx(model_file, net_type, input_size, num_classes, width_mult=1.0, device="cpu", onnx_type="default"):
model = build_net(model_file, net_type, input_size, num_classes, width_mult=width_mult)
model = model.to(device)
model.eval()
model_name = os.path.basename(model_file)[:-len(".pth")] + ".onnx"
onnx_path = os.path.join(os.path.dirname(model_file), model_name)
# dummy_input = torch.randn(1, 3, 240, 320).to("cuda")
dummy_input = torch.randn(1, 3, input_size[1], input_size[0]).to(device)
# torch.onnx.export(model, dummy_input, onnx_path, verbose=False,
# input_names=['input'],output_names=['scores', 'boxes'])
do_constant_folding = True
if onnx_type == "default":
torch.onnx.export(model, dummy_input, onnx_path, verbose=False, export_params=True,
do_constant_folding=do_constant_folding,
input_names=['input'],
output_names=['output'])
elif onnx_type == "det":
torch.onnx.export(model,
dummy_input,
onnx_path,
do_constant_folding=do_constant_folding,
export_params=True,
verbose=False,
input_names=['input'],
output_names=['scores', 'boxes', 'ldmks'])
elif onnx_type == "kp":
torch.onnx.export(model,
dummy_input,
onnx_path,
do_constant_folding=do_constant_folding,
export_params=True,
verbose=False,
input_names=['input'],
output_names=['output'])
onnx_model = onnx.load(onnx_path)
onnx.checker.check_model(onnx_model)
print(onnx_path)
if __name__ == "__main__":
net_type = "mobilenet_v2"
width_mult = 1.0
input_size = [128, 128]
num_classes = 2
model_file = "work_space/mobilenet_v2_1.0_CrossEntropyLoss/model/best_model_022_98.1848.pth"
convert2onnx(model_file, net_type, input_size, num_classes, width_mult=width_mult)
（2） 将ONNX模型转换为TNN模型
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署
TNN转换工具：
- （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
- （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)
（3） Android端上部署模型
项目实现了Android版本的戴眼镜识别Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。戴眼镜识别Android源码，核心算法均采用C++实现，上层通过JNI接口调用.
如果你想在这个Android Demo部署你自己训练的分类模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。
- 戴眼镜检测和识别JNI接口 ，Java部分
package com.cv.tnn.model;
import android.graphics.Bitmap;
public class Detector
static
System.loadLibrary("tnn_wrapper");
/***
* 初始化检测模型
* @param det_model： 检测模型（不含后缀名）
* @param cls_model： 识别模型（不含后缀名）
* @param root：模型文件的根目录，放在assets文件夹下
* @param model_type：模型类型
* @param num_thread：开启线程数
* @param useGPU：是否开启GPU进行加速
*/
public static native void init(String det_model, String cls_model, String root, int model_type, int num_thread, boolean useGPU);
/***
* 返回检测和识别结果
* @param bitmap 图像（bitmap），ARGB_8888格式
* @param score_thresh：置信度阈值
* @param iou_thresh： IOU阈值
* @return
*/
public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh);
- 戴眼镜检测和识别JNI接口 ，C++部分
#include <jni.h>
#include <string>
#include <fstream>
#include "src/object_detection.h"
#include "src/classification.h"
#include "src/Types.h"
#include "debug.h"
#include "android_utils.h"
#include "opencv2/opencv.hpp"
#include "file_utils.h"
using namespace dl;
using namespace vision;
static ObjectDetection *detector = nullptr;
static Classification *classifier = nullptr;
JNIEXPORT jint JNI_OnLoad(JavaVM *vm, void *reserved)
return JNI_VERSION_1_6;
JNIEXPORT void JNI_OnUnload(JavaVM *vm, void *reserved)
extern "C"
JNIEXPORT void JNICALL
Java_com_cv_tnn_model_Detector_init(JNIEnv *env,
jclass clazz,
jstring det_model,
jstring cls_model,
jstring root,
jint model_type,
jint num_thread,
jboolean use_gpu)
if (detector != nullptr)
delete detector;
detector = nullptr;
std::string parent = env->GetStringUTFChars(root, 0);
std::string det_model_ = env->GetStringUTFChars(det_model, 0);
std::string cls_model_ = env->GetStringUTFChars(cls_model, 0);
string det_model_file = path_joint(parent, det_model_ + ".tnnmodel");
string det_proto_file = path_joint(parent, det_model_ + ".tnnproto");
string cls_model_file = path_joint(parent, cls_model_ + ".tnnmodel");
string cls_proto_file = path_joint(parent, cls_model_ + ".tnnproto");
DeviceType device = use_gpu ? GPU : CPU;
LOGW("parent : %s", parent.c_str());
LOGW("useGPU : %d", use_gpu);
LOGW("device_type: %d", device);
LOGW("model_type : %d", model_type);
LOGW("num_thread : %d", num_thread);
ObjectDetectionParam model_param = FACE_MODEL;
detector = new ObjectDetection(det_model_file,
det_proto_file,
model_param,
num_thread,
device);
//ClassificationParam ClassParam = FACE_MASK_MODEL;
ClassificationParam ClassParam = EYEGLASSES_MODEL;
classifier = new Classification(cls_model_file,
cls_proto_file,
ClassParam,
num_thread,
device);
extern "C"
JNIEXPORT jobjectArray JNICALL
Java_com_cv_tnn_model_Detector_detect(JNIEnv *env, jclass clazz, jobject bitmap,
jfloat score_thresh, jfloat iou_thresh)
cv::Mat bgr;
BitmapToMatrix(env, bitmap, bgr);
int src_h = bgr.rows;
int src_w = bgr.cols;
// 检测区域为整张图片的大小
FrameInfo resultInfo;
// 开始检测
if (detector != nullptr)
detector->detect(bgr, &resultInfo, score_thresh, iou_thresh);
else
ObjectInfo objectInfo;
objectInfo.x1 = 0;
objectInfo.y1 = 0;
objectInfo.x2 = (float)src_w;
objectInfo.y2 = (float)src_h;
objectInfo.label = 0;
resultInfo.info.push_back(objectInfo);
int nums = resultInfo.info.size();
LOGW("object nums: %d\\n", nums);
if (nums > 0)
// 开始检测
classifier->detect(bgr, &resultInfo);
// 可视化代码
printf("sitting label:%d,score:%3.5f", resultInfo.label, resultInfo.score);
//classifier->visualizeResult(bgr, &resultInfo);
//cv::cvtColor(bgr, bgr, cv::COLOR_BGR2RGB);
//MatrixToBitmap(env, bgr, dst_bitmap);
auto BoxInfo = env->FindClass("com/cv/tnn/model/FrameInfo");
auto init_id = env->GetMethodID(BoxInfo, "<init>", "()V");
auto box_id = env->GetMethodID(BoxInfo, "addBox", "(FFFFIF)V");
auto ky_id = env->GetMethodID(BoxInfo, "addKeyPoint", "(FFF)V");
jobjectArray ret = env->NewObjectArray(resultInfo.info.size(), BoxInfo, nullptr);
for (int i = 0; i < nums; ++i)
auto info = resultInfo.info[i];
env->PushLocalFrame(1);
//jobject obj = env->AllocObject(BoxInfo);
jobject obj = env->NewObject(BoxInfo, init_id);
// set bbox
//LOGW("rect:[%f,%f,%f，%f] label:%d,score:%f \\n", info.rect.x,info.rect.y, info.rect.w, info.rect.h, 0, 1.0f);
env->CallVoidMethod(obj, box_id, info.x1, info.y1, info.x2 - info.x1, info.y2 - info.y1,
info.category.label, info.category.score);
// set keypoint
for (const auto &kps : info.landmarks)
//LOGW("point:[%f,%f] score:%f \\n", lm.point.x, lm.point.y, lm.score);
env->CallVoidMethod(obj, ky_id, (float) kps.x, (float) kps.y, 1.0f);
obj = env->PopLocalFrame(obj);
env->SetObjectArrayElement(ret, i, obj);
return ret;
（4） Android测试效果
Android Demo在普通手机CPU/GPU上可以达到实时检测和识别效果（其中绿色框表示佩戴了眼镜，红色框表示未佩戴眼镜）；CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
（5） 运行APP闪退：dlopen failed: library "libomp.so" not found
参考解决方法：
解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed
6.项目源码下载
Android项目源码下载地址：戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)
整套Android项目源码内容包含：
- 提供Android版本的人脸检测模型
- 提供戴眼镜检测和识别Android Demo源码
- Android Demo在普通手机CPU/GPU上可以实时检测和识别,约30ms左右
- Android Demo支持图片，视频，摄像头测试
Android戴眼镜检测和识别APP Demo体验：https://download.csdn.net/download/guyuealian/87524194
如果你需要戴眼镜检测和识别的训练代码，请参考：《戴眼镜检测和识别2：Pytorch实现戴眼镜检测和识别(含戴眼镜数据集和训练代码)》https://blog.csdn.net/guyuealian/article/details/129263640
以上是关于戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)的主要内容，如果未能解决你的问题，请参考以下文章
Android实现戴口罩人脸检测和戴口罩识别(附Android源码)
Android实现戴口罩人脸检测和戴口罩识别(附Android源码)