【正点原子K210连载】第四十三章人脸属性分析实验摘自【正点原子】DNK210使用指南-CanMV版指南

第四十三章人脸属性分析实验

在上一章节中，介绍了利用maix.KPU模块实现了人脸口罩佩戴检测，本章将继续介绍利用maix.KPU模块实现的人脸属性分析。通过本章的学习，读者将学习到人脸属性分析应用在CanMV上的实现。
本章分为如下几个小节：
43.1 maix.KPU模块介绍
43.2 硬件设计
43.3 程序设计
43.4 运行验证

43.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第39.1小节《maix.KPU模块介绍》。
43.2 硬件设计
43.2.1 例程功能

获取摄像头输出的图像，并送入KPU进行人脸检测，接着对检测到的人脸分别进行人脸五关键点检测和属性分析，最后将所有的检测结果和原始图像一同在LCD上进行显示。
43.2.2 硬件资源
本章实验内容，主要讲解maix.KPU模块的使用，无需关注硬件资源。
43.2.3 原理图
本章实验内容，主要讲解maix.KPU模块的使用，无需关注原理图。
43.3 程序设计
43.3.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第43.1小节《maix.KPU模块介绍》。
43.3.2 程序流程图

图43.3.2.1 人脸属性分析实验流程图
43.3.3 main.py代码
main.py中的脚本代码如下所示：
import lcd
import sensor
import gc
from maix import KPU

lcd.init()
sensor.reset()
sensor.set_framesize(sensor.QVGA)
sensor.set_pixformat(sensor.RGB565)
sensor.set_hmirror(False)

anchor = (0.1075, 0.126875, 0.126875, 0.175, 0.1465625, 0.2246875, 0.1953125, 0.25375, 0.2440625, 0.351875, 0.341875, 0.4721875, 0.5078125, 0.6696875, 0.8984375, 1.099687, 2.129062, 2.425937)
names = [‘face’]

构造并初始化人脸检测KPU对象

face_detecter = KPU()
face_detecter.load_kmodel(“/sd/KPU/face_detect_320x240.kmodel”)
face_detecter.init_yolo2(anchor, anchor_num=len(anchor) // 2, img_w=320, img_h=240, net_w=320, net_h=240, layer_w=10, layer_h=8, threshold=0.5, nms_value=0.2, classes=len(names))

构造并初始化人脸五关键点检测KPU对象

ld5_kpu = KPU()
ld5_kpu.load_kmodel(“/sd/KPU/ld5.kmodel”)

pos_face_attr = ["Male ", "Mouth Open ", "Smiling ", “Glasses”]
neg_face_attr = ["Female ", “Mouth Closed”, “No Smile”, “No Glasses”]

构造并初始化人脸属性分析KPU对象

fac_kpu = KPU()
fac_kpu.load_kmodel(“/sd/KPU/fac.kmodel”)

按指定比例扩展矩形框

def extend_box(x, y, w, h, scale):
x1 = int(x - scale * w)
x2 = int(x + w - 1 + scale * w)
y1 = int(y - scale * h)
y2 = int(y + h - 1 + scale * h)
x1 = x1 if x1 > 0 else 0
x2 = x2 if x2 < (320 - 1) else (320 - 1)
y1 = y1 if y1 > 0 else 0
y2 = y2 if y2 < (240 - 1) else (240 - 1)
return x1, y1, x2 - x1 + 1, y2 - y1 + 1

while True:
img = sensor.snapshot()
face_detecter.run_with_output(img)
faces = face_detecter.regionlayer_yolo2()
for face in faces:
# 框出人脸位置
x, y, w, h = extend_box(face[0], face[1], face[2], face[3], 0.08)
img.draw_rectangle(x, y, w, h, color=(0, 255, 0))
# 计算人脸五关键点
face_img = img.cut(x, y, w, h)
resize_img = face_img.resize(128, 128)
resize_img.pix_to_ai()
output = ld5_kpu.run_with_output(resize_img, getlist=True)
for i in range(len(output) // 2):
point_x = int(KPU.sigmoid(output[2 * i]) * w + x)
point_y = int(KPU.sigmoid(output[2 * i + 1]) * h + y)
img.draw_cross(point_x, point_y, size=5, color=(0, 0, 255))
# 计算人脸属性
output = fac_kpu.run_with_output(resize_img, getlist=True)
for i in range(len(output)):
if KPU.sigmoid(output[i]) > 0.5:
img.draw_string(x + w + 2, y + i * 16 + 2, “%s” % (pos_face_attr[i]), color=(255, 0, 0), scale=1.5)
else:
img.draw_string(x + w + 2, y + i * 16 + 2, “%s” % (neg_face_attr[i]), color=(0, 0, 255), scale=1.5)
del face_img
del resize_img
lcd.display(img)
gc.collect()
可以看到一开始是先初始化了LCD和摄像头，并分别构造并初始化了用于人脸检测、人脸五关键点、人脸属性分析的KPU对象。
然后便是在一个循环中不断地获取摄像头输出的图像，首先将图像进行人脸检测，检测图像中存在的人脸，接着对人脸图像进行五关键点检测，分析出人脸五关键点的位置，接着是对人脸图像进行属性分析，分析人脸的性别、嘴巴开合、是否微笑、是否佩戴眼镜等属性，最后将以上所有的分析检测结果在图像上进行绘制，然后在LCD上显示图像。
43.4 运行验证
将DNK210开发板连接CanMV IDE，点击CanMV IDE上的“开始(运行脚本)”按钮后，将摄像头对准人脸，让其采集到人脸图像，随后便能在LCD上看到摄像头输出的图像，同时能看到图像上标注了人脸位置、人脸五关键点位置、人脸属性等信息，如下图所示：