人脸检测+人体检测C++ Android实现

Posted 2021-10-29 pan_jinquan

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了人脸检测+人体检测C++ Android实现相关的知识，希望对你有一定的参考价值。

人脸检测+人体检测C++ android实现

本博客将实现C++版本的人脸检测，人脸关键点检测，人体检测，人脸+人体检测，推理框架采用TNN，在普通Android手机，CPU和GPU都可以达到实时检测的效果

人脸检测+人脸关键点检测+人体检测Android Demo APP(非源码，仅供学习交流)

链接: https://pan.baidu.com/s/1By43I1DbMa0gBPLObtPZMQ 提取码: msnr

尊重原创，转载请注明出处：https://panjinquan.blog.csdn.net/article/details/120688804

1.项目说明

（1）训练

训练代码请参考：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB ，一个基于SSD简化的人脸检测模型，很轻量化，整个模型仅仅1.7M左右，在普通Android手机都可以实时检测。

原始代码使用WiderFace人脸数据集进行训练，仅支持了人脸检测，后经鄙人优化后，提高了人脸检测效果，并支持人脸关键点检测，人体检测。数据集是WiderFace,VOC和COCO。

（2）端上部署

原始代码已经支持MNN和NCNN

（3）依赖库

TNN：https://github.com/Tencent/TNN
OpenCV: Releases - OpenCV （推荐opencv-4.3.0）
OpenCL: Choose & Download Intel® SDK for OpenCL™ Applications (GPU的支持)
base-utils：https://github.com/PanJinquan/base-utils (一些文件和图像处理的相关工具)
拉取子模块submodule(TNN,base-utils)库

# pull 3rdparty(TNN,base-utils) submodule
git submodule init
git submodule update

配置OpenCV

推荐opencv-4.3.0

mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
sudo make install

配置OpenCL（可选）

Android系统一般都支持OpenCL，Linux系统可参考如下配置：

# 参考安装OpenCL： https://blog.csdn.net/qq_28483731/article/details/68235383，作为测试，安装`intel cpu版本的OpenCL`即可
# 安装clinfo，clinfo是一个显示OpenCL平台和设备的软件
sudo apt-get install clinfo
# 安装依赖
sudo apt install dkms xz-utils openssl libnuma1 libpciaccess0 bc curl libssl-dev lsb-core libicu-dev
sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-keys 3FA7E0328081BFF6A14DA29AA6A19B38D3D831EF
echo "deb http://download.mono-project.com/repo/debian wheezy main" | sudo tee /etc/apt/sources.list.d/mono-xamarin.list
sudo apt-get update
sudo apt-get install mono-complete
# 在intel官网上下载了intel SDK的tgz文件，并且解压
sudo sh install.sh

CMake配置说明

Linux OR Windows测试，CMakeLists.txt

# TNN set
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_LINUX)
    # add_definitions(-DPLATFORM_WINDOWS)

2. 人脸人体检测Demo

推理框架使用TNN进行部署，手撸Python转C++实现人脸人体检测推理过程，

下面是测试代码demo部分代码

void test_face_person_detector() {
    const int num_thread = 1;
    DeviceType device = CPU;
    // 人脸和关键点检测
    // const char *model_file = (char *) "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnmodel";
    // const char *proto_file = (char *) "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnproto";
    // ObjectDetectiobParam model_param = FACE_LANDMARK_MODEL;

    // 人脸+人体检测
    // const char *model_file = (char *) "../data/tnn/face_person/rfb1.0_face_person_300_300_sim.opt.tnnmodel";
    // const char *proto_file = (char *) "../data/tnn/face_person/rfb1.0_face_person_300_300_sim.opt.tnnproto";
    // ObjectDetectiobParam model_param = FACE_PERSON_MODEL;//模型参数
    // 人脸检测
    const char *model_file = (char *) "../data/tnn/face/rfb1.0_face_320_320.opt.tnnmodel";
    const char *proto_file = (char *) "../data/tnn/face/rfb1.0_face_320_320.opt.tnnproto";
    ObjectDetectiobParam model_param = FACE_MODEL;//模型参数


    // 设置检测阈值
    const float scoreThresh = 0.5;
    const float iouThresh = 0.3;
    ObjectDetection *detector = new ObjectDetection(model_file,
                                                    proto_file,
                                                    model_param,
                                                    num_thread,
                                                    device);

    string image_dir = "../data/test_image/person";
    std::vector<string> image_list = get_files_list(image_dir);
    for (string image_path:image_list) {
        cv::Mat bgr_image = cv::imread(image_path);
        if (bgr_image.empty()) continue;
        FrameInfo resultInfo;
        printf("init frame\\n");
        // 开始检测
        detector->detect(bgr_image, &resultInfo, scoreThresh, iouThresh);
        // 可视化代码
        detector->visualizeResult(bgr_image, &resultInfo);
    }
    delete detector;
    detector = nullptr;
    printf("FINISHED.\\n");
}