1. 人臉姿態(tài)估計簡介

人臉姿態(tài)估計是通過對一張人臉圖像進行分析，獲得臉部朝向的角度信息。姿態(tài)估計是多姿態(tài)問題中較為關鍵的步驟。一般可以用旋轉矩陣、旋轉向量、四元數(shù)或歐拉角表示。人臉的姿態(tài)變化通常包括上下俯仰(pitch)、左右旋轉(yaw)以及平面內(nèi)角度旋轉(roll)。因此，姿態(tài)估計在多姿態(tài)人臉的識別和司機行為檢測等應用場景，具有巨大的現(xiàn)實意義和實用價值。

基于EASY-EAI-Nano硬件主板的運行效率：

2. 快速上手

2.1 開發(fā)環(huán)境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發(fā)環(huán)境準備/Easy-Eai編譯環(huán)境準備與更新》，并按照其相關的操作，進行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment
./run.sh

2.2 源碼下載以及例程編譯

在EASY-EAI編譯環(huán)境下創(chuàng)建存放源碼倉庫的管理目錄：

cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit

通過git工具，在管理目錄內(nèi)克隆遠程倉庫

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-Demo.git

注：

* 此處可能會因網(wǎng)絡原因造成卡頓，請耐心等待。

* 如果實在要在gitHub網(wǎng)頁上下載，也要把整個倉庫下載下來，不能單獨下載本實例對應的目錄。

進入到對應的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd EASY-EAI-Toolkit-C-Demo/algorithm-face_pose_estimation/
./build.sh cpres

注：

* 若build.sh腳本帶有cpres參數(shù)，則會把Release/目錄下的所有資源都拷貝到開發(fā)板上。

* 若build.sh腳本不帶任何參數(shù)，則僅會拷貝demo編譯出來的可執(zhí)行文件。

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

2.3 模型部署

要完成算法Demo的執(zhí)行，需要先下載人臉檢測算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/1cxnx1T0ldJvoqkyTk1RmUg(提取碼：0b6h )。

同時也要下載人員姿態(tài)估計算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/1sNZb2X0I7TwdM_n89HI9gg (提取碼：j19k )。

然后需要把下載的人臉檢測模型和人臉姿態(tài)估計算法模型復制粘貼到Release/目錄：

再通過下方命令將模型署到板卡中，如下所示。

cp ./Release/*.model /mnt/userdata/Demo

2.4 例程運行

通過按鍵Ctrl+Shift+T創(chuàng)建一個新窗口，執(zhí)行adb shell命令，進入板卡運行環(huán)境。

adb shell

進入板卡后，定位到例程上傳的位置，如下所示：

cd /userdata/Demo

運行例程命令如下所示：

./test-face-pose-estimation test-1.jpg

2.5 運行效果

face-pose-estimation的Demo執(zhí)行效果如下所示:

再開一個窗口，在PC端Ubuntu環(huán)境通過以下命令可以把圖片拉回來:

adb pull /userdata/Demo/result.jpg .

結果圖片如下所示：

API的詳細說明，以及API的調(diào)用（本例程源碼），詳細信息見下方說明。

3. 人臉檢測API說明

3.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫，此處列出工程中需要鏈接的庫以及頭文件等，方便用戶直接添加。

3.2 人臉檢測初始化函數(shù)

設置人臉檢測初始化函數(shù)原型如下所示。

 int face_detect_init(rknn_context *ctx, const char *path)

具體介紹如下所示。

3.3 人臉檢測運行函數(shù)

設face_detect_run原型如下所示。

int face_detect_run(rknn_context ctx, cv::Mat &input_image, std::vector &result)

具體介紹如下所示。

3.4 人臉檢測釋放函數(shù)

人臉檢測釋放函數(shù)原型如下所示。

int face_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 人臉姿態(tài)估計API說明

4.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫，此處列出工程中需要鏈接的庫以及頭文件等，方便用戶直接添加。

4.2 人臉姿態(tài)初始化函數(shù)

設置人臉檢測初始化函數(shù)原型如下所示。

 int face_pose_estimation_init(rknn_context *ctx, const char * path)

具體介紹如下所示。

4.3 人臉姿態(tài)執(zhí)行函數(shù)

設face_pose_estimation_run原型如下所示。

 int face_pose_estimation_run(rknn_context ctx, cv::Mat *face_image, float *result)

具體介紹如下所示。

4.4 人臉姿態(tài)釋放函數(shù)

人臉檢測釋放函數(shù)原型如下所示。

 int face_pose_estimation_release(rknn_context ctx)

具體介紹如下所示。

5. 人臉姿態(tài)估計算法例程

例程目錄為Toolkit-C-Demo/algorithm-face_pose_estimation/test-face-pose-estimation.cpp，操作流程如下。

參考例程如下所示。

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 

#include "face_detect.h"
#include "face_alignment.h"
#include "face_pose_estimation.h"

using namespace std;
using namespace cv;

int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
    int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), Scalar(255, 0, 0, 255), 3);

    int tf = max(tl -1, 1);

    int base_line = 0;
    cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
    int x3 = x1 + t_size.width;
    int y3 = y1 - t_size.height - 3;

    rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), Scalar(255, 0, 0, 255), -1);
    putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
    return 0;
}

int main(int argc, char **argv)
{

	if( argc != 2)
	{
		printf("./test-face-pose-estimation xxx.jpg n");
		return -1;
	}

	rknn_context detect_ctx, face_pose_estimation_ctx;
	std::vector detect_result;
	int ret;

	cv::Mat src;
	src = cv::imread(argv[1], 1);

	/* 人臉檢測初始化 */
	ret = face_detect_init(&detect_ctx, "./face_detect.model");
	if( ret < 0)
	{
		printf("face_detect_init fail! ret=%dn", ret);
		return -1;
	}

	/* 人臉姿態(tài)估計初始化 */
	ret = face_pose_estimation_init(&face_pose_estimation_ctx, "./face_pose_estimation.model");
	if( ret < 0)
	{
		printf("face_pose_estimation_init fail! ret=%dn", ret);
		return -1;
	}

	/* 人臉檢測執(zhí)行 */
	face_detect_run(detect_ctx, src, detect_result);

	for( int i=0; i < (int)detect_result.size() ; i++ )
	{
		int x = (int)(detect_result[i].box.x);
		int y = (int)(detect_result[i].box.y);
		int w = (int)(detect_result[i].box.width);
		int h = (int)(detect_result[i].box.height);
		int max = (w > h)?w:h;

		// 判斷圖像裁剪是否越界
		if( ((x +max) > src.cols) || ((y +max) > src.rows) )
		{
			continue;
		}
		

		cv::Mat roi_img, reize_img, reize_img_rgb;
		roi_img = src(cv::Rect(x, y, max,max));
		roi_img = roi_img.clone();

		resize(roi_img, reize_img, Size(224,224), 0, 0, INTER_AREA);
		cvtColor(reize_img, reize_img_rgb, COLOR_BGR2RGB);

		/* 人臉姿態(tài)估計運行 */
		float pose_result[3];
		face_pose_estimation_run(face_pose_estimation_ctx, &reize_img_rgb, pose_result);

		printf("yaw(偏航角):%f, pitch(俯仰角):%f, roll(翻滾角):%fn", pose_result[0], pose_result[1], pose_result[2]);

		char label_text[100];
		memset(label_text, 0 , sizeof(label_text));
		sprintf(label_text, "yaw:%0.2f pitch:%0.2f roll:%0.2f", pose_result[0], pose_result[1], pose_result[2]); 
		plot_one_box(src, x, x+w, y, y+h, label_text, i%10);

	}

	imwrite("result.jpg", src);

	/* 人臉檢測釋放 */
	face_detect_release(detect_ctx);

	/* 人臉姿態(tài)估計釋放 */
	face_pose_estimation_release(face_pose_estimation_ctx);

	return 0;
}

審核編輯 黃宇