人脸检测

本文主要给大家介绍如何在Android平台下使用角蜂鸟调用SSD-Mobilenet卷积神经网络,实现人脸检测

准备工作

  1. 配置环境等详情请参照Hello 2018里的快速开始，此处不具体阐述。
  2. 下载人脸检测所需模型graph_face_SSD文件，在您Android Studio中，当前module下新建assets包，将下载的模型文件复制到该目录下。
  3. 因工程需要处理图像，所以使用了javacv库，可从GitHub自行下载或点击链接从示例工程中拷贝到自己工程下。

具体实现

1.实现具体步骤：

  • 开启设备

    int status = openDevice();
if (status != ConnectStatus.HS_OK) {
  return;
}

  • 将graph文件传输到角蜂鸟里

    int id = allocateGraphByAssets("graph_face_SSD");

    如果单模型，id即为0，不需要维护此属性。

  • 处理图像数据，分俩种模式

    1. 使用角蜂鸟内置摄像头：

      byte[] bytes = getImage(0.007843f, 1.0f,id);

    2. 使用外部图像来源：该模式下，传入角蜂鸟的数据要经过预处理，下面介绍的例子是使用手机摄像头的数据，图像大小为1280*720：

      SoftReference<Bitmap> softRef = new SoftReference<>(Bitmap.createBitmap(1280, 720, Bitmap.Config.ARGB_8888));
Bitmap bitmap = softRef.get();
allocations[0].copyTo(bitmap);
Matrix matrix = new Matrix();
matrix.postScale(300f / 1280, 300f / 720);
Bitmap newbm = Bitmap.createBitmap(bitmap, 0, 0, 1280, 720, matrix,true);
int[] ints = new int[300 * 300];
newbm.getPixels(ints, 0, 300, 0, 0, 300, 300);
float[] float_tensor = new float[300 * 300 * 3];
for (int j = 0; j < 300 * 300; j++) {
float_tensor[j * 3] = Color.red(ints[j]) * 0.007843f - 1;
float_tensor[j * 3 + 1] = Color.green(ints[j]) * 0.007843f - 1;
float_tensor[j * 3 + 2] = Color.blue(ints[j]) * 0.007843f - 1;
}
int status_load = mFaceDetectorBySelfThread.loadTensor(float_tensor, float_tensor.length,id);

  • 获取返回的处理结果，该mobilenetssd类型的神经网络，返回的结果解析如下：

    float[] result = getResult(id);
int num = (int) floats[0];
for (int i = 0; i < num; i++) {
int x1 = (int) (floats[7 * (i + 1) + 3] * screenwidth);
int y1 = (int) (floats[7 * (i + 1) + 4] * screenheight);
int x2 = (int) (floats[7 * (i + 1) + 5] * screenwidth);
int y2 = (int) (floats[7 * (i + 1) + 6] * screenheight);
int wight = x2 - x1;
int height = y2 - y1;
int percentage = (int) (floats[7 * (i + 1) + 2] * 100);
if (percentage <= 55) {
    continue;
  }
if (wight >= screenwidth * 0.8 || height >= screenheight * 0.8) {
    continue;
  }
if (x1 < 0 || x2 < 0 || y1 < 0 || y2 < 0 || wight < 0 || height < 0) {
    continue;
  }
}

  • 结果通过handler机制传给当前Activity，HornedSungemFrame用来接收图像和结果的实体类，DrawView负责将人脸的检测框画在屏幕上，具体代码可参考示例工程

2.注意事项：

  • 处理image图像区别：采用角蜂鸟内置的摄像头模式下，如果zoom为ture,获取的图像是640*360的BGR图像，如果zoom为false，获取的图像为1920*1080的图像，图像的排序需要注意，1080P的是BGR每个通道的数据传完才会传下个通道的。具体处理示例代码如下：

      opencv_core.IplImage bgrImage = null;
    if (zoom) {
      FRAME_W = 640;
      FRAME_H = 360;
      bgrImage = opencv_core.IplImage.create(FRAME_W, FRAME_H, opencv_core.IPL_DEPTH_8U, 3);
      bgrImage.getByteBuffer().put(bytes);
    } else {
        FRAME_W = 1920;
        FRAME_H = 1080;
        byte[] bytes_rgb = new byte[FRAME_W * FRAME_H * 3];
        for (int i = 0; i < FRAME_H * FRAME_W; i++) {
            bytes_rgb[i * 3 + 2] = bytes[i];//r
            bytes_rgb[i * 3 + 1] = bytes[FRAME_W * FRAME_H + i];//g
            bytes_rgb[i * 3] = bytes[FRAME_W * FRAME_H * 2 + i];//b
           }
        bgrImage = opencv_core.IplImage.create(FRAME_W, FRAME_H, opencv_core.IPL_DEPTH_8U, 3);
        bgrImage.getByteBuffer().put(bytes_rgb);
       }
  opencv_core.IplImage image = opencv_core.IplImage.create(FRAME_W, FRAME_H, opencv_core.IPL_DEPTH_8U, 4);
  cvCvtColor(bgrImage, image, CV_BGR2RGBA);

  • 处理getResult返回值：

    • 每7个数为一组数据
    • 数组的第一组数的第一个数表示检测到多少个人脸，剩下的6个数不作处理
    • 每组数据的第三个数是置信度，剩下的4个数分别为上下左右的坐标
    • 值类型都为float32

3.效果展示：

face_detector

友好提醒：因Android设备基本都是USB2.0,所以不建议使用1080P的图像，传输比较耗时，会有卡顿感，可以使用360P的图像，铺满屏幕即可

具体代码可去GitHub下载，地址如下 SungemSDK-AndroidExamples