代码链接：
https://github.com/watersink/mtcnn-linux-as
本代码可以在模拟器下进行跑。
环境：
windows10
Android studio 3.6
Sdk：android10 api 29
Ndk：r15c
Ncnn：20200226
Linux下的代码测试：
cd mtcnn_linux/build cmake .. make ./mtcnn
如果可以跑通，输出正确结果，证明mtcnn代码的准确性。
实际操作的时候，首先基于linux把c++代码调试通，方便后续的android调试。
Android进行c++调试时，使用__android_log_print函数进行log的输出，
开发：
（1）工程建立
新建android工程，选择Native C++，工程名为mtcnn，C++ Standard选择c++11
（2）资源文件res修改：
src/main/res/drawable下面随便复制一张带有人脸的照片，比如这里，复制了一张beauty.png
src/main/res/layout下面新加main.xml。
详细内容，
（3）增加ncnn的lib文件
src/main下面新加jniLibs文件夹，加入对应平台的libncnn.a
（4）增加网络模型文件assets
在main下面新建assets文件夹，里面放入mtcnn的3个网络结构的模型文件。
（5）修改java文件，
修改src/main/java/com/example/mtcnn下面的MainActivity，
主要操作，包括在onCreate函数中对mtcnn这个类进行初始化。然后监听buttonImage，buttonDetect按钮，分别进行实现。
然后在该路径下增加MTCNN类，主要需要实现的方法如下，
package com.example.mtcnn;
public class MTCNN {
//人脸检测模型导入
public native boolean FaceDetectionModelInit(byte[] det1_param, byte[] det1_bin, byte[] det2_param,byte[] det2_bin,byte[] det3_param,byte[] det3_bin);
//人脸检测
public native int[] FaceDetect(byte[] imageDate, int imageWidth , int imageHeight, int imageChannel);
public native int[] MaxFaceDetect(byte[] imageDate, int imageWidth , int imageHeight, int imageChannel);
//人脸检测模型反初始化
public native boolean FaceDetectionModelUnInit();
//检测的最小人脸设置
public native boolean SetMinFaceSize(int minSize);
//线程设置
public native boolean SetThreadsNumber(int threadsNumber);
//循环测试次数
public native boolean SetTimeCount(int timeCount);
static {
System.loadLibrary("mtcnn");
}
}
（6）修改cpp文件，
首先将ncnn的include文件夹包含进来。
将模型的3个id.h文件包含进来，det1.id.h，det2.id.h，det3.id.h
mtcnn_jni.cpp负责对人脸检测的几个native方法进行实现。
mtcnn.h，mtcnn.cpp分别定义了一个MTCNN类，然后进行了相关方法的实现。
需要注意，
这里读取的模型文件是通过二进制的方式读取的assets下面的模型。所以模型文件一定要首先进行加密处理（ncnn2mem）。
然后ncnn读取加密后文件和未加密文件是有一些区别的。主要包含2个地方。
第一个区别就是导入模型的区别，详细的用法看下图。
未加密的：
load_param
load_model
已经加密的：
load_param_bin
load_model
如果使用load_param，load_model加载已经加密的文件，返回值为读取的字节数
其余情况下，正常加载模型会返回0，错误返回其他值。
第二个区别就是，就是模型读取输入节点和输出节点的区别，
未加密的：
ex.input("data", in);
ncnn::Mat score_, location_;
ex.extract("prob1", score_);
ex.extract("conv4-2", location_);
已经加密的：
ex.input(det1_param_id::BLOB_data, in); ncnn::Mat score_, location_; ex.extract(det1_param_id::BLOB_prob1, score_); ex.extract(det1_param_id::BLOB_conv4_2, location_);
（7）修改cpp下面的CMakeLists，增加ncnnlib的引用。
cmake_minimum_required(VERSION 3.4.1)
#include头文件目录
include_directories(include)
#source directory源文件目录
file(GLOB MTCNN_SRC *.h
*.cpp)
set(MTCNN_COMPILE_CODE ${MTCNN_SRC})
#添加ncnn库
add_library(libncnn STATIC IMPORTED )
set_target_properties(libncnn
PROPERTIES IMPORTED_LOCATION
${CMAKE_SOURCE_DIR}/../jniLibs/${ANDROID_ABI}/libncnn.a)
#编译为动态库
add_library(mtcnn SHARED ${MTCNN_COMPILE_CODE})
#添加工程所依赖的库
find_library( log-lib log )
target_link_libraries( mtcnn
libncnn
android
jnigraphics
z
${log-lib} )
（8）修改app/build.gradle下, defaultConfig里面加入下面的代码，
externalNativeBuild {
cmake {
arguments "-DANDROID_TOOLCHAIN=clang"
cFlags "-fopenmp -O2 -fvisibility=hidden -fomit-frame-pointer -fstrict-aliasing -ffunction-sections -fdata-sections -ffast-math "
cppFlags "-fopenmp -O2 -fvisibility=hidden -fvisibility-inlines-hidden -fomit-frame-pointer -fstrict-aliasing -ffunction-sections -fdata-sections -ffast-math "
arguments "-DANDROID_STL=c++_shared", "-DANDROID_CPP_FEATURES=rtti exceptions"
cppFlags ""
cppFlags "-std=c++11"
cppFlags "-frtti"
cppFlags "-fexceptions"
}
}
ndk {
abiFilters 'armeabi-v7a'// , 'arm64-v8a' //,'x86', 'x86_64', 'armeabi'
stl "gnustl_static"
}
最终结果：
总结
到此这篇关于基于Android studio3.6的JNI教程之ncnn人脸检测mtcnn功能的文章就介绍到这了,更多相关android studio3.6 ncnn人脸检测mtcnn内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！