本篇概览这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos
-
本文是《JavaCV的摄像头实战》系列的第十二篇，咱们来开发一个实用功能：识别性别并显示在预览页面，如下图：
-
今天的代码，主要功能如下图所示：
-
如果您看过《JavaCV的摄像头实战》系列的其他文章，就会发现上图中只有蓝色部分是新增内容，其余的步骤都是固定套路，《JavaCV的摄像头实战》系列的每一个应用玩的都是相同套路：别看步骤挺多，其实都是同一个流程
- 使用卷积神经网络推理性别和年龄的更多技术细节，这里有更详细的说明：
https://talhassner.github.io/home/publication/2015_CVPR - 本篇会使用已训练好的Caffe 模型，训练该模型的数据来自Flickr相册，通过从 iPhone5（或更高版本）智能手机设备自动上传组装而成，并由其作者根据知识共享 (CC) 许可向公众发布，共有26580张照片，涉及2284人，这些人的年龄一共被标识成八组：（0-2、4-6、8-13、15-20、25-32、38-43、48-53、60 -)
- 关于数据源的更多详细，请参考：https://talhassner.github.io/home/projects/Adience/Adience-data.html
- 论文地址：https://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdf
- 《JavaCV人脸识别三部曲》的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：
- 这个git项目中有多个文件夹，本篇的源码在javacv-tutorials文件夹下，如下图红框所示：
- javacv-tutorials里面有多个子工程，《JavaCV的摄像头实战》系列的代码在simple-grab-push工程下：
- 本次实战需要三个文件：
- 人脸检测的模型文件：https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml
- 性别识别的配置文件：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/gender_net_definitions/deploy.prototxt
- 性别识别的模型文件：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/models/gender_net.caffemodel
- 我已将上述文件打包上传到CSDN，您也可以在CSDN下载（无需积分）：
https://download.csdn.net/download/boling_cavalry/70730586
- 编码前，先把涉及到的所有java文件说明一下：
- AbstractCameraApplication.java：主程序的抽象类，这里面定义了打开摄像头、抓取每一帧、处理每一帧的基本框架，避免每个应用都把这些事情重复做一遍
- PreviewCameraWithGenderAge.java：主程序，是AbstractCameraApplication的实现类，本次实战的核心功能人脸检测和性别检测，都委托给它的成员变量detectService去完成
- DetectService.java：检测服务的接口，里面定义了几个重要的api，例如初始化、处理每一帧、释放资源等
- GenderDetectService.java：是DetectService接口的实现类，本次实战的核心功能都写在这个类中
- 介绍完毕，可以开始编码了，先从最简单的主程序开始
- 《JavaCV的摄像头实战之一：基础》创建的simple-grab-push工程中已经准备好了父类AbstractCameraApplication，所以本篇继续使用该工程，创建子类实现那些抽象方法即可
- 编码前先回顾父类的基础结构，如下图，粗体是父类定义的各个方法，红色块都是需要子类来实现抽象方法，所以接下来，咱们以本地窗口预览为目标实现这三个红色方法即可：
- 新建文件PreviewCameraWithGenderAge.java，这是AbstractCameraApplication的子类，其代码很简单，接下来按上图顺序依次说明
- 先定义Canvasframe类型的成员变量previewCanvas，这是展示视频帧的本地窗口：
protected Canvasframe previewCanvas
- 把前面创建的DetectService作为成员变量，后面检测的时候会用到：
private DetectService detectService;
- PreviewCameraWithGenderAge的构造方法，接受DetectService的实例：
public PreviewCameraWithGenderAge(DetectService detectService) {
this.detectService = detectService;
}
- 然后是初始化 *** 作，可见是previewCanvas的实例化和参数设置，还有检测、识别的初始化 *** 作：
@Override
protected void initOutput() throws Exception {
previewCanvas = new Canvasframe("摄像头预览", Canvasframe.getDefaultGamma() / grabber.getGamma());
previewCanvas.setDefaultCloseOperation(Jframe.EXIT_ON_CLOSE);
previewCanvas.setAlwaysOnTop(true);
// 检测服务的初始化 *** 作
detectService.init();
}
- 接下来是output方法，定义了拿到每一帧视频数据后做什么事情，这里调用了detectService.convert检测人脸并识别性别，然后在本地窗口显示：
@Override
protected void output(frame frame) {
// 原始帧先交给检测服务处理，这个处理包括物体检测，再将检测结果标注在原始图片上，
// 然后转换为帧返回
frame detectedframe = detectService.convert(frame);
// 预览窗口上显示的帧是标注了检测结果的帧
previewCanvas.showImage(detectedframe);
}
- 最后是处理视频的循环结束后，程序退出前要做的事情，先关闭本地窗口，再释放检测服务的资源：
@Override
protected void releaseOutputResource() {
if (null!= previewCanvas) {
previewCanvas.dispose();
}
// 检测工具也要释放资源
detectService.releaseOutputResource();
}
- 由于检测有些耗时，所以两帧之间的间隔时间要低于普通预览：
@Override
protected int getInterval() {
return super.getInterval()/8;
}
- 至此，功能已开发完成，再写上main方法，代码如下，请注意AgeDetectService构造方法的三个入参，分别是前面下载的三个文件在本机的位置：
public static void main(String[] args) {
String base = "E:\temp2112\opencv\";
DetectService detectService = new GenderDetectService(
base + "haarcascade_frontalface_alt.xml",
base + "gender\deploy.prototxt",
base + "gender\gender_net.caffemodel");
new PreviewCameraWithGenderAge(detectService).action(1000);
}
- 主程序已经写完，接下来是核心功能
- 本篇的核心功能是检测性别，相关代码被封装在DetectService接口的实现类GenderDetectService中，这个DetectService接口是咱们的老朋友了，之前识别相关的实战都有它的身影，再来回顾一下，如下，定义了初始化、处理原始帧、释放资源等关键行为的接口：
package com.bolingcavalry.grabpush.extend;
public interface DetectService {
static Mat buildGrayImage(Mat src) {
return new Mat(src.rows(), src.cols(), CV_8UC1);
}
void init() throws Exception;
frame convert(frame frame);
void releaseOutputResource();
}
- 接下来，就是DetectService接口的实现类，也就是今天实战的核心：GenderDetectService.java
- 今天的核心功能都集中在GenderDetectService.java中，直接贴出全部源码吧，有几处要注意的地方稍后会提到：
package com.bolingcavalry.grabpush.extend;
import com.bolingcavalry.grabpush.Constants;
import lombok.extern.slf4j.Slf4j;
import org.bytedeco.javacpp.indexer.Indexer;
import org.bytedeco.javacv.frame;
import org.bytedeco.javacv.OpenCVframeConverter;
import org.bytedeco.opencv.opencv_core.*;
import org.bytedeco.opencv.opencv_dnn.Net;
import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;
import static org.bytedeco.opencv.global.opencv_core.NORM_MINMAX;
import static org.bytedeco.opencv.global.opencv_core.normalize;
import static org.bytedeco.opencv.global.opencv_dnn.blobFromImage;
import static org.bytedeco.opencv.global.opencv_dnn.readNetFromCaffe;
import static org.bytedeco.opencv.global.opencv_imgproc.*;
@Slf4j
public class GenderDetectService implements DetectService {
private Mat grabbedImage = null;
private Mat grayImage = null;
private CascadeClassifier classifier;
private OpenCVframeConverter.ToMat converter = new OpenCVframeConverter.ToMat();
private String classifierModelFilePath;
private String genderProtoFilePath;
private String genderModelFilePath;
private Net cnnNet;
public GenderDetectService(String classifierModelFilePath,
String cnnProtoFilePath,
String cnnModelFilePath) {
this.classifierModelFilePath = classifierModelFilePath;
this.genderProtoFilePath = cnnProtoFilePath;
this.genderModelFilePath = cnnModelFilePath;
}
@Override
public void init() throws Exception {
// 根据模型文件实例化分类器
classifier = new CascadeClassifier(classifierModelFilePath);
// 实例化推理性别的神经网络
cnnNet = readNetFromCaffe(genderProtoFilePath, genderModelFilePath);
}
@Override
public frame convert(frame frame) {
// 由帧转为Mat
grabbedImage = converter.convert(frame);
// 灰度Mat，用于检测
if (null==grayImage) {
grayImage = DetectService.buildGrayImage(grabbedImage);
}
// 当前图片转为灰度图片
cvtColor(grabbedImage, grayImage, CV_BGR2GRAY);
// 存放检测结果的容器
RectVector objects = new RectVector();
// 开始检测
classifier.detectMultiScale(grayImage, objects);
// 检测结果总数
long total = objects.size();
// 如果没有检测到结果，就用原始帧返回
if (total<1) {
return frame;
}
int pos_x;
int pos_y;
Mat faceMat;
//推理时的入参
Mat inputBlob;
// 推理结果
Mat prob;
// 如果有检测结果，就根据结果的数据构造矩形框，画在原图上
for (long i = 0; i < total; i++) {
Rect r = objects.get(i);
// 人脸对应的Mat实例（注意：要用彩图，不能用灰度图！！！）
faceMat = new Mat(grabbedImage, r);
// 缩放到神经网络所需的尺寸
resize(faceMat, faceMat, new Size(Constants.CNN_PREIDICT_IMG_WIDTH, Constants.CNN_PREIDICT_IMG_HEIGHT));
// 归一化
normalize(faceMat, faceMat, 0, Math.pow(2, frame.imageDepth), NORM_MINMAX, -1, null);
// 转为推理时所需的的blob类型
inputBlob = blobFromImage(faceMat);
// 为神经网络设置入参
cnnNet.setInput(inputBlob, "data", 1.0, null); //set the network input
// 推理
prob = cnnNet.forward("prob");
// 根据推理结果得到在人脸上标注的内容
String lable = getDescriptionFromPredictResult(prob);
// 人脸标注的横坐标
pos_x = Math.max(r.tl().x()-10, 0);
// 人脸标注的纵坐标
pos_y = Math.max(r.tl().y()-10, 0);
// 给人脸做标注，标注性别
putText(grabbedImage, lable, new Point(pos_x, pos_y), FONT_HERSHEY_PLAIN, 1.5, new Scalar(0,255,0,2.0));
// 给人脸加边框时的边框位置
int x = r.x(), y = r.y(), w = r.width(), h = r.height();
// 给人脸加边框
rectangle(grabbedImage, new Point(x, y), new Point(x + w, y + h), Scalar.RED, 1, CV_AA, 0);
}
// 释放检测结果资源
objects.close();
// 将标注过的图片转为帧，返回
return converter.convert(grabbedImage);
}
@Override
public void releaseOutputResource() {
if (null!=grabbedImage) {
grabbedImage.release();
}
if (null!=grayImage) {
grayImage.release();
}
if (null!=classifier) {
classifier.close();
}
if (null!= cnnNet) {
cnnNet.close();
}
}
protected String getDescriptionFromPredictResult(Mat prob) {
Indexer indexer = prob.createIndexer();
// 比较两种性别的概率，概率大的作为当前头像的性别
return indexer.getDouble(0,0) > indexer.getDouble(0,1)
? "male"
: "female";
}
}
- 上述代码，有以下几处需要注意的：
- 构造方法的三个入参：classifierModelFilePath、cnnProtoFilePath、cnnModelFilePath分别是人脸检测模型、性别检测配置、性别检测模型三个文件的本地存放地址
- 检测性别靠的是卷积神经网络的推理，初始化的时候通过readNetFromCaffe方法新建神经网络对象
- convert方法被调用时，会收到摄像头捕捉的每一帧，在这里面先检测出每个人脸，再拿每个人脸去神经网络进行推理
- 用神经网络的推理结果生成人脸的标注内容，这段逻辑被放入getDescriptionFromPredictResult，下一篇《年龄检测》的实战同样是使用神经网络推理头像的年龄，咱们只要写一个GenderDetectService，并重写getDescriptionFromPredictResult方法，里面的逻辑改成根据推理结果得到年龄，即可轻松完成任务，其他类都可以维持不变
- 至此，编码完成，接下来开始验证
- 确保摄像头工作正常，运行PreviewCameraWithGenderAge类的main方法
- 请群众演员登场，让他站在摄像头前，如下图，性别识别成功，且实时展示：
- 至此，本地窗口预览集成人脸检测和性别检测的功能就完成了，得益于JavaCV的强大，整个过程是如此的轻松愉快，接下来请继续关注欣宸原创，《JavaCV的摄像头实战》系列还会呈现更多丰富的应用；
- 得益于本篇所做的扩展准备，下一篇《年龄检测》会更加简单，一起来期待下一段轻松愉快的旅程吧；
- Java系列
- Spring系列
- Docker系列
- kubernetes系列
- 数据库+中间件系列
- DevOps系列
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）