13518219792
本篇內容介紹了“Qt如何實現人臉識別嵌入式”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
在橫峰等地區，都構建了全面的區域性戰略布局，加強發展的系統性、市場前瞻性、產品創新能力，以專注、極致的服務理念，為客戶提供成都網站設計、成都做網站、外貿網站建設 網站設計制作按需網站開發,公司網站建設,企業網站建設,品牌網站建設,全網營銷推廣,成都外貿網站建設,橫峰網站建設費用合理。
大概幾年前搞過一套嵌入式linux上的人臉識別程序，當然人臉識別的核心算法并不是自己開發的，關于人臉識別算法這一塊，雖然有眾多的開源庫可以用，甚至還可以用opencv搞算法訓練深度學習之類的，個人認為始終達不到準確度的要求，尤其是人臉比對的準確度，這個需要專業的人臉訓練模型才行。目前市面上絕大部分的人臉識別庫提供的都是X86的或者安卓ios的庫，并沒有嵌入式linux的庫，估計一方面因為嵌入式linux跑的板子性能比較低，還有一個就是依賴特定編譯器，版本眾多難以提供，市場也小，所以大部分的廠家都沒有提供嵌入式linux的開發包，這個就比較雞肋，所以很多終端廠家最終棄用linux而選用安卓作為載體系統，這樣就可以用上高大上的人臉識別庫了，比如螢火蟲開發板，RK3288 RK3399等。
記得當時還特意搞了一整套的非常詳細的通信協議，產品也初步成型，大概的設備有人臉識別終端、雙目門禁、人工訪客機、自助訪客機、人臉比對服務器等，也試運行了一些小區，效果還行，不過在抗逆光和晚上的情況下效果不是很好，當然這是所有人臉識別設備的通病，必須依賴補光或者調整安裝位置增加抗逆光攝像機來處理，這樣一來對施工就有要求了增加了復雜度，設備成本也上來了，對于小終端廠商來說，這個要選擇一個平衡點才行，只有用戶愿意付出對應的成本才提供對應的版本。
通信方式及端口：
客戶端和服務端等設備統一提供web訪問修改配置，端口6660。
人工訪客機客戶端與人工訪客機服務端通信采用TCP短連接，通信端口6661。
自助訪客機客戶端與自助訪客機服務端通信采用TCP長連接，通信端口6661。
人臉識別比對數據庫服務器采用TCP長連接，通信端口6662。
服務端與數據庫服務器通信采用TCP長連接，通信端口6666。
數據庫服務器下發人臉通行證數據采用TCP短連接，通信端口6667。
電腦PC端下發配置到雙目門禁采用TCP短連接，通信端口6668。
雙目門禁與數據庫服務器通信采用TCP長連接，通信端口6669。
雙目門禁電腦客戶端升級通信采用TCP短連接，通信端口6670。
檢測測試與手機app或者其他客戶端通信采用TCP長連接，通信端口6671。
支持的功能包括人臉識別、人臉比對、人臉搜索、活體檢測等。
在線版還支持身份證、駕駛證、行駛證、銀行卡等識別。
在線版的協議支持百度、曠視，離線版的支持百度，可定制。
除了支持X86架構，還支持嵌入式linux比如contex-A9、樹莓派等。
每個功能的執行除了返回結果還返回執行用時時間。
多線程處理，通過type控制當前處理類型。
支持單張圖片檢索相似度最高的圖片。
支持指定目錄圖片用來生成人臉特征值文件。
可設置等待處理圖片隊列中的數量。
每次執行都有成功或者失敗的信號返回。
人臉搜索的返回結果包含了原圖+最大相似度圖+相似度等。
人臉比對同時支持兩張圖片和兩個特征值比對。
相關功能自定義一套協議用于客戶端和服務端，可以通過TCP通信進行交互。
自定義人臉識別協議非常適用于中心一臺服務器，現場若干設備請求的場景。
每個模塊全部是獨立的一個類，代碼整潔、注釋完善。
void FaceLocalArm::imgToBgr(const QImage &img, quint8 *bgr, int w, int h)
{
for (int i = 0; i < h; ++i) {
const quint8 *scanline = img.scanLine(i);
for (int j = 0; j < w; ++j) {
*bgr++ = scanline[j * 3 + 0];
*bgr++ = scanline[j * 3 + 1];
*bgr++ = scanline[j * 3 + 2];
}
}
}
void FaceLocalArm::bgrToYuv(quint8 *yuv, const quint8 *bgr, int w, int h)
{
int b, g, r;
for (int i = 0; i < w * h; ++i) {
b = bgr[3 * i + 0];
g = bgr[3 * i + 1];
r = bgr[3 * i + 2];
yuv[i] = (quint8)((r * 30 + g * 59 + b * 11 + 50) / 100);
}
}
void FaceLocalArm::init()
{
//如果已經正常則無需初始化
if (isOk) {
return;
}
#ifdef __arm__
int res = CRface::FaceDetect_Init_ColorReco(sdkPath.toStdString());
if (res != 1) {
qDebug() << TIMEMS << QString("FaceDetect_Init_ColorReco error: %1").arg(res);
} else {
qDebug() << TIMEMS << "FaceDetect_Init_ColorReco ok";
res = CRface::FaceReco_Init_ColorReco(sdkPath.toStdString());
if (res != 1) {
qDebug() << TIMEMS << QString("FaceReco_Init_ColorReco error: %1").arg(res);
} else {
isOk = true;
qDebug() << TIMEMS << "FaceReco_Init_ColorReco ok";
}
}
emit sdkInitFinsh(isOk);
#endif
}
bool FaceLocalArm::getFaceRect(const QString &flag, const QImage &img, QRect &rect, int &msec)
{
if (!isOk) {
return false;
}
#ifdef __arm__
//qDebug() << TIMEMS << flag << "getFaceRect";
QTime time;
if (countTime) {
time.start();
}
int w = img.width();
int h = img.height();
//這里有隱患,如果圖片像素特別大會崩潰,應該改為quint8 *bgr=(quint8 *)calloc(w * h * 3, 1);然后后面free(bgr);
quint8 yuv[w * h];
quint8 bgr[w * h * 3];
imgToBgr(img, bgr, w, h);
int facebox[32 * 5];
bgrToYuv(yuv, bgr, w, h);
facebox[0] = 0;
int result = 0;
if (findFast) {
result = CRface::FaceDetect_Fast_ColorReco(yuv, w, h, facebox, true);
} else {
result = CRface::FaceDetect_Normal_ColorReco(yuv, w, h, facebox, true, w / percent);
}
if (result == 1) {
rect = QRect(facebox[1], facebox[2], facebox[3], facebox[4]);
msec = getTime(time);
return true;
}
#endif
return false;
}
bool FaceLocalArm::getFaceFeature(const QString &flag, const QImage &img, QList &feature, int &msec)
{
if (!isOk) {
return false;
}
#ifdef __arm__
//qDebug() << TIMEMS << flag << "getFaceFeature" << img.width() << img.height() << img.size();
QTime time;
if (countTime) {
time.start();
}
int w = img.width();
int h = img.height();
//這里有隱患,如果圖片像素特別大會崩潰,應該改為quint8 *bgr=(quint8 *)calloc(w * h * 3, 1);然后后面free(bgr);
quint8 yuv[w * h];
quint8 bgr[w * h * 3];
imgToBgr(img, bgr, w, h);
int facebox[32 * 5];
bgrToYuv(yuv, bgr, w, h);
facebox[0] = 0;
int result = 0;
if (findFast) {
result = CRface::FaceDetect_Fast_ColorReco(yuv, w, h, facebox, true);
} else {
result = CRface::FaceDetect_Normal_ColorReco(yuv, w, h, facebox, true, w / percent);
}
if (result == 1) {
QRect rect = QRect(facebox[1], facebox[2], facebox[3], facebox[4]);
msec = getTime(time);
emit receiveFaceRect(flag, rect, msec);
float fea[256];
int result = CRface::FaceReco_Extract_ColorReco(bgr, w, h, facebox + 1, fea);
if (result == 256) {
feature.clear();
for (int i = 0; i < 256; i++) {
feature.append(fea[i]);
}
msec = getTime(time);
return true;
}
} else {
emit receiveFaceRectFail(flag);
}
#endif
return false;
}
float FaceLocalArm::getFaceCompare(const QString &flag, const QList &feature1, const QList &feature2)
{
if (!isOk) {
return 0;
}
#ifdef __arm__
//qDebug() << TIMEMS << flag << "getFaceCompareXXX";
float fea1[256], fea2[256];
for (int i = 0; i < 256; i++) {
fea1[i] = feature1.at(i);
fea2[i] = feature2.at(i);
}
float result = CRface::FaceReco_Match_ColorReco(fea1, fea2);
result = result * 100;
//過濾非法的值
result = result > 100 ? 0 : result;
return result;
#endif
return 0;
}
“Qt如何實現人臉識別嵌入式”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注創新互聯網站，小編將為大家輸出更多高質量的實用文章！
