欢迎访问我的GitHub

本篇概览

• 本文是《JavaCV的摄像头实战》的第八篇，前面的操作夯实了的帧和流处理的基本功，接下来开始实现一些常见的CV能力，就从本篇的人脸识别开始吧
• OpenCV中常用的人脸识别是基于Haar特征的级联分类器，本篇借助JavaCV来使用该分类器实现人脸识别

简单的设计

• 编码之前先把要做的事情梳理一下：

1. 识别功能可能用在多个场景：窗口预览、推流、存文件都可能用到，所以识别功能的代码最好独立出来，不要和预览、推流这些代码写在一起，如下图，识别的接口DetectService会作为每个应用的成员变量存在：

1. 识别服务不仅是人脸识别，今后还有人体识别、物体识别等等，所以设计一个识别服务接口DetectService，人脸识别、人体识别、物体识别这些类都是这个接口的实现，如下图所示，对于预览、推流、存文件这个应用的代码，直接使用接口的API即可，具体识别的实现类可以在初始化的时候确定

1. 聪明的您应该会觉得欣宸的水平过于原始：上面的设计不就是Spring的依赖注入吗？为啥不用呢？其实这个系列的重点是JavaCV，所以保持代码简单吧，不引入Spring框架了

• 总的来说，今天的要写的代码如下图所示，绿色块的AbstractCameraApplication类已在《JavaCV的摄像头实战之一：基础》一文中完成，其余三个全部在本篇编写，包括两个java类、一个接口：

• 分析得差不多了，开始编码，先写接口DetectService

检测服务接口DetectService

• 新增接口DetectService.java，里面有三个方法定义：

/** * 初始化操作，例如模型下载 * @throws Exception */
    void init() throws Exception;

    /** * 得到原始帧，做识别，添加框选 * @param frame * @return */
    Frame convert(Frame frame);

    /** * 释放资源 */
    void releaseOutputResource();

• 另外还有两个静态方法，也放在DetectService.java中，第一个是buildGrayImage，该方法会根据入参Mat的尺寸新建一个Mat对象，新建的对象用于保存灰度图片，因为识别时用的是灰度图片而不是原图：

/** * 根据传入的MAT构造相同尺寸的MAT，存放灰度图片用于以后的检测 * @param src 原始图片的MAT对象 * @return 相同尺寸的灰度图片的MAT对象 */
    static Mat buildGrayImage(Mat src) {
        return new Mat(src.rows(), src.cols(), CV_8UC1);
    }

• 第二个方法是第一个是detect，该方法非常重要：将原图转为灰度图片，再用指定的分类器识别，将识别结果在原图上标注出来，标注后的Mat转为Frame对象返回：

/** * 检测图片，将检测结果用矩形标注在原始图片上 * @param classifier 分类器 * @param converter Frame和mat的转换器 * @param rawFrame 原始视频帧 * @param grabbedImage 原始视频帧对应的mat * @param grayImage 存放灰度图片的mat * @return 标注了识别结果的视频帧 */
    static Frame detect(CascadeClassifier classifier,
                        OpenCVFrameConverter.ToMat converter,
                        Frame rawFrame,
                        Mat grabbedImage,
                        Mat grayImage) {

        // 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 rawFrame;
        }

        // 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);
            int x = r.x(), y = r.y(), w = r.width(), h = r.height();
            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);
    }

• 以上就是接口DetectService.java的全部：三个方法定义，两个静态方法，接下来就是接口的实现类了

人脸识别功能的实现类

• 前面的DetectService接口仅定义了三个方法：初始化(init)、识别(convert)、资源释放(releaseOutputResource)，现在开发这个接口的实现类HaarCascadeDetectService.java，实现真正的人脸识别功能
• 完整代码如下，核心是init方法中实例化的分类器classifier，以及负责处理每一帧的convert方法，这里面会中调用刚才写的静态方法DetectService.detect，把原始帧转换成标注了识别结果的帧：

package com.bolingcavalry.grabpush.extend;

import lombok.extern.slf4j.Slf4j;
import org.bytedeco.javacpp.Loader;
import org.bytedeco.javacv.Frame;
import org.bytedeco.javacv.OpenCVFrameConverter;
import org.bytedeco.opencv.opencv_core.Mat;
import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;
import java.io.File;
import java.net.URL;

/** * @author willzhao * @version 1.0 * @description Haar识别的实现类 * @date 2021/12/3 8:09 */
@Slf4j
public class HaarCascadeDetectService implements DetectService {

    /** * 每一帧原始图片的对象 */
    private Mat grabbedImage = null;

    /** * 原始图片对应的灰度图片对象 */
    private Mat grayImage = null;

    /** * 分类器 */
    private CascadeClassifier classifier;

    /** * 转换器 */
    private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();

    /** * 模型文件的下载地址 */
    private String modelFileUrl;

    /** * 构造方法，在此指定模型文件的下载地址 * @param modelFileUrl */
    public HaarCascadeDetectService(String modelFileUrl) {
        this.modelFileUrl = modelFileUrl;
    }
    
    /** * 音频采样对象的初始化 * @throws Exception */
    @Override
    public void init() throws Exception {
        // 下载模型文件
        URL url = new URL(modelFileUrl);
        File file = Loader.cacheResource(url);
        
        // 模型文件下载后的完整地址
        String classifierName = file.getAbsolutePath();

        // 根据模型文件实例化分类器
        classifier = new CascadeClassifier(classifierName);

        if (classifier == null) {
            log.error("Error loading classifier file [{}]", classifierName);
            System.exit(1);
        }
    }

    @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);
        }

        // 进行人脸识别，根据结果做处理得到预览窗口显示的帧
        return DetectService.detect(classifier, converter, frame, grabbedImage, grayImage);
    }

    /** * 程序结束前，释放人脸识别的资源 */
    @Override
    public void releaseOutputResource() {
        if (null!=grabbedImage) {
            grabbedImage.release();
        }

        if (null!=grayImage) {
            grayImage.release();
        }

        if (null==classifier) {
            classifier.close();
        }
    }
}

主程序PreviewCameraWithDetect

• 在《JavaCV的摄像头实战之一：基础》一文创建的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PreviewCameraWithDetect.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

• 还要定义DetectService类型的成员变量，用于稍后的识别操作，并在构造方法中对改成员变量赋值：

/** * 检测工具接口 */
    private DetectService detectService;
    
    /** * 不同的检测工具，可以通过构造方法传入 * @param detectService */
    public PreviewCameraWithDetect(DetectService detectService) {
        this.detectService = detectService;
    }

• 然后是初始化操作，除了previewCanvas的实例化和参数设置，还要调用识别服务的初始化方法：

@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);

        // 检测服务的初始化操作
        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，这里会交给识别服务去处理，将处理结果在本地窗口显示：

@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);
    }

• 由于识别服务也会耗时，所以这里调整每帧输出后的等待时间，以免预览时卡顿，请依照自己电脑CPU性能调整，我这里改为原有时长的八分之一：

@Override
    protected int getInterval() {
        return super.getInterval()/8;
    }

• 最后是处理视频的循环结束后，程序退出前要做的事情，即关闭本地窗口，另外还要调用识别服务的releaseOutputResource来释放其相关资源：

@Override
    protected void releaseOutputResource() {
        if (null!= previewCanvas) {
            previewCanvas.dispose();
        }

        // 检测工具也要释放资源
        detectService.releaseOutputResource();
    }

• 至此，用本地窗口预览摄像头的功能已开发完成，再写上main方法，注意参数100表示预览持续时间是100秒，modelFileUrl是模型文件在GitHub上的地址（注释掉的那个是人体的，您也可以试试）：

public static void main(String[] args) {
        String modelPath = "https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml";
// String modelPath = "https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_upperbody.xml";
        new PreviewCameraWithDetect(new HaarCascadeDetectService(modelPath)).action(1000);
    }

• 运行main方法即可启动程序，如下图，预览窗口中如果有人像，人脸上就会出现红框（为了不侵犯群众演员的肖像权，手动对面部做了马赛克处理）：

• 至此，本地窗口预览集成人脸识别的功能就完成了，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；
• 本文涉及的所有代码都能在接下来的介绍的GitHub仓库中找到

源码下载

• 《JavaCV的摄像头实战》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：

你不孤单，欣宸原创一路相伴

1. Java系列
2. Spring系列
3. Docker系列
4. kubernetes系列
5. 数据库+中间件系列
6. DevOps系列