1. 人脸检测简介
人脸检测是人脸识别、人脸属性分类、人脸编辑、人脸跟踪等任务必不可少的早期步骤，其性能直接影响到人脸识别等任务的有效性。尽管在过去的几十年里，不受控制的人脸检测取得了巨大的进步，但在野外准确高效的人脸检测仍然是一个公开的挑战。这是由于姿势的变化、面部表情、比例、光照、图像失真、面部遮挡等因素造成的。与一般的目标检测不同，人脸检测的特点是在纵横比上的变化较小，但在尺度上的变化大得多(从几个像素到数千像素)。
本人脸检测算法在数据集表现如下所示：
基于EASY-EAI-PI2硬件主板的运行效率：
2. 快速上手
2.1 开发环境准备
如果您初次阅读此文档 ，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。
在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。
cd ~/develop_environment
./run.sh 2204 
2.2 源码下载
在EASY-EAI编译环境下创建存放源码仓库的管理目录：
cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit 通过git工具，在管理目录内克隆远程仓库
git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git
注：
* 此处可能会因网络原因造成卡顿，请耐心等待。
* 如果实在要在gitHub网页上下载，也要把整个仓库下载下来，不能单独下载本实例对应的目录。
2.3 模型部署
要完成算法Demo的执行，需要先下载人脸检测算法模型。
百度网盘链接为：https://pan.baidu.com/s/1nGQCTpD_Bk4byxqILZSWwA?pwd=1234 （提取码：1234 ）。
同时需要把下载的人脸检测算法模型复制粘贴到Release/目录：
2.4 例程编译
进入到对应的例程目录执行编译操作，具体命令如下所示：
cd EASY-EAI-Toolkit-1126B/Demos/algorithm-face_detect/
./build.sh cpres 注：
* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持/mnt挂载。
* 若build.sh脚本带有cpres参数，则会把Release/目录下的所有资源都拷贝到开发板上。
2.5 例程运行及效果
通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：
cd /userdata/Demo/algorithm-face_detect/
运行例程命令如下所示：
sudo ./test-face-detect test.jpg
在EASY-EAI编译环境可以取回测试图片:
cp /mnt/userdata/Demo/algorithm-face_detect/result.jpg .
结果图片如下所示：
API的详细说明，以及API的调用（本例程源码），详细信息见下方说明。
3. 人脸检测API说明
3.1 引用方式
为方便客户在本地工程中直接调用我们的EASY EAI api库，此处列出工程中需要链接的库以及头文件等，方便用户直接添加。
3.2 人脸检测初始化函数
人脸检测初始化函数原型如下所示。
int face_detect_init(rknn_context *ctx, const char *path)具体介绍如下所示。
3.3 人脸检测运行函数
人脸检测运行函数face_detect_run原型如下所示。
int face_detect_run(rknn_context ctx, cv::Mat &input_image, std::vector<det> &result)具体介绍如下所示。
3.4 人脸检测释放函数
人脸检测释放函数原型如下所示。
int face_detect_release(rknn_context ctx)具体介绍如下所示。
4. 人脸检测算法例程
例程目录为Demos/algorithm-face_detect/test-face-detect.cpp，操作流程如下。
参考例程如下所示。
#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <sys/time.h>
#include "face_detect.h"
using namespace cv;
int main(int argc, char **argv)
{
if( argc != 2)
{
printf("./test-face-detect xxx\n");
return -1;
}
struct timeval start;
struct timeval end;
float time_use=0;
rknn_context ctx;
std::vector<det> result;
Mat image;
image = cv::imread(argv[1], 1);
face_detect_init(&ctx, "face_detect.model");
gettimeofday(&start,NULL);
face_detect_run(ctx, image, result);
gettimeofday(&end,NULL);
time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒
printf("time_use is %f\n",time_use/1000);
printf("face num:%d\n", (int)result.size());
for (int i = 0; i < (int)result.size(); i++)
{
int x = (int)(result[i].box.x);
int y = (int)(result[i].box.y);
int w = (int)(result[i].box.width);
int h = (int)(result[i].box.height);
rectangle(image, Rect(x, y, w, h), Scalar(0, 255, 0), 2, 8, 0);
for (int j = 0; j < (int)result[i].landmarks.size(); ++j)
{
cv::circle(image, cv::Point((int)result[i].landmarks[j].x, (int)result[i].landmarks[j].y), 2, cv::Scalar(225, 0, 225), 2, 8);
}
}
imwrite("result.jpg", image);
face_detect_release(ctx);
return 0;
}