目录
[4. 定义函数database_features_construct：](#4. 定义函数database_features_construct：)
[5. main 函数](#5. main 函数)
1.定义函数get_database_process：
首先，发送一条消息，告知服务器端要进行人脸数据库特征构建
message_to_send = {'message': 'get_database_face', 'data': 0}
然后就等待接收 服务端发送的数据，并将数据存储在多进程队列result_queue 中，等待检测函数获取。
接收数据格式：
{"name": 姓名, "image": 图片}
python
def receive_send(client_socket, result_queue):
"""
接收服务器端 receive_data信息，若成功接收则发送success 否则发送 failure
并将信息存储在result_queue 中
Args:
client_socket:
"""
receive_data = client_socket.recv(4096000)
receive_data = receive_data.decode('utf-8')
if len(receive_data):
feedback_data = 'success'
client_socket.sendall(feedback_data.encode('utf-8'))
result_queue.put(receive_data)
else:
feedback_data = 'failure'
client_socket.sendall(feedback_data.encode('utf-8'))
python
def get_database(client_socket, result_queue):
"""
从服务器端接收数据(姓名，图片) {"name": 姓名, "image": 图片}
放在result_queue队列中，然后让本地模型检测特征 用于人脸数据库的构建
Args:
client_socket:
result_queue:
"""
message_to_send = {'message': 'get_database_face', 'data': 0}
send_receive(client_socket, message_to_send)
while True:
receive_send(client_socket, result_queue)2.定义函数features_construct：
从 result_queue 队列中取出，从服务器获取的人脸数据库信息(姓名，图片) {"name": 姓名, "image": 图片}
然后 将数据 进行 字节序列解码为字符串的操作，
再将 JSON 格式的字符串转换为 Python 对象 词典，
然后提取，姓名，人脸图片
然后将经过Base64编码的图像数据解码，并使用OpenCV库将解码后的字节数据转换为NumPy数组，以便在Python中进行图像处理和分析
使用app.get 检测人脸特征 并存放在 result_queue1 以待发送
存放在 result_queue1 队列的 数据格式为词典形式
{"name": 姓名, "feature": 人脸特征}
姓名：str
人脸特征： 1,2,3..............
python
def features_construct(app, result_queue, result_queue1):
"""
从 result_queue 队列中取出，从服务器获取的人脸数据库信息(姓名，图片) {"name": 姓名, "image": 图片}
使用app.get 检测人脸特征 并存放如result_queue1 以待发送
发送数据格式 {"name": 姓名, "feature": 人脸特征}
Args:
app:
result_queue:
result_queue1:
"""
while True:
while not result_queue.empty():
face_data = result_queue.get()
face_data = json.loads(face_data.decode('utf-8'))
name = face_data['name']
image = face_data['image']
# 解码图像
img_bytes = base64.b64decode(image)
# 将字节数据转换为NumPy数组
image = cv2.imdecode(np.frombuffer(img_bytes, np.uint8), cv2.IMREAD_COLOR)
features = []
data_dict = {}
for i in range(image):
img = image[i]
face_all = app.get(img)
for face_single in face_all: # 遍历每个人脸
features.append(face_single.normed_embedding) # 将人脸的嵌入特征加入features列表
feature = mean_feature_fusion(features)
data_dict['name'] = name
data_dict['feature'] = feature
result_queue1.put(data_dict)3.定义函数send_features_data：
从多进程队列result_queue1 中 读取数据 feature_data,
添加消息头message:feature
数据格式：
{'message': 'feature', "name": '姓名', 'feature': "人脸特征"}
将词典数据 转换为JSON格式的字符串
然后对字符串进行UTF-8编码 进行传输
python
def send_features_data(client_socket, result_queue1):
"""
进行数据发送，将多进程队列result_queue1 中 数据读取并发送回服务器端 ：人脸数据可特征构建
人脸特征数据（姓名，特征数据）
Args:
client_socket:
result_queue: 多进程队列
"""
while True:
while not result_queue1.empty():
feature_data = result_queue1.get()
feature_data['message'] = 'feature'
json_data = json.dumps(feature_data)
send_receive(client_socket, json_data)
python
def send_receive(client_socket, data):
"""
发送数据 data,并接收服务器端 feedback信息
Args:
client_socket:
data: 要发送的数据
"""
client_socket.sendall(data.encode('utf-8'))
feedback_data = client_socket.recv(1024)
feedback_data = feedback_data.decode('utf-8')
print("已发送数据，对方已接收，反馈信息为：", feedback_data)4. 定义函数database_features_construct：
使用多进程 将上述函数串联起来
python
def database_features_construct(app, result_queue, result_queue1):
# 服务器地址和端口
server_address = ('192.168.2.4', 12345)
# 创建一个TCP socket
client_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
# 连接到服务器
client_socket.connect(server_address)
print(f"Connected to server at {server_address}")
# 发送消息给服务器
message_to_send = "Hello, server! This is the client."
client_socket.send(message_to_send.encode('utf-8'))
# 接收服务器消息
data = client_socket.recv(1024)
print(f"Received data from server: {data.decode('utf-8')}")
get_database_process = multiprocessing.Process(target=get_database, args=(client_socket, result_queue))
features_construct_process = multiprocessing.Process(target=features_construct, args=(app, result_queue, result_queue1))
send_features_data_process = multiprocessing.Process(target=send_features_data, args=(client_socket, result_queue1))
# 启动进程
get_database_process.start()
features_construct_process.start()
send_features_data_process.start()
# 等待两个进程结束
get_database_process.join()
features_construct_process.join()
send_features_data_process.join()
# 关闭连接
client_socket.close()5. main 函数
python
if __name__ == "__main__":
parser2 = argparse.ArgumentParser(description='insightface app test') # 创建参数解析器，设置描述为'insightface app test'
# 通用设置
parser2.add_argument('--ctx', default=0, type=int,
help='ctx id, <0 means using cpu') # 添加参数'--ctx'，默认值为0，类型为整数，帮助信息为'ctx id, <0 means using cpu'
parser2.add_argument('--det-size', default=640, type=int,
help='detection size') # 添加参数'--det-size'，默认值为640，类型为整数，帮助信息为'detection size'
face_args = parser2.parse_args() # 解析参数
face_app = FaceAnalysis() # 创建FaceAnalysis实例
face_app.prepare(ctx_id=face_args.ctx, det_size=(face_args.det_size, face_args.det_size)) # 准备分析器，设置ctx_id和det_size
result_queue = multiprocessing.Queue() # 多进程队列
result_queue1 = multiprocessing.Queue()
database_features_construct(face_app, result_queue, result_queue1)