基于RV1126开发板实现驾驶员行为检测方案_使用瑞芯微rv1126进行驾驶员疲劳检测-优快云博客

本文链接：https://blog.youkuaiyun.com/EASY_EAI/article/details/147137551

1. 方案简介

驾驶员行为检测：通过图像识别出这几种行为：打电话、抽烟、疲劳驾驶。

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

2.2 源码下载以及实例编译

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-C-Solution.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。

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-C-Solution/solu-dms/
./build.sh

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adb连接。

注：

* 若build.sh脚本不带任何参数，则仅会拷贝solution编译出来的可执行文件。

* 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。

* 若build.sh脚本带有clear参数，则会把build/目录和Release/目录删除。

2.3 模型获取

【百度网盘】

链接：百度网盘请输入提取码

提取码：0k7j

本方案用到四个模型：face_detect.model、face_landmark98.model、phonecall_detect.model、smoke_detect.model

直接把模型下载到本地Windows主机，复制

进入PC端Ubuntu创建存放model目录：

cd /opt
mkdir model

然后把模型从本地Windows主机粘贴到PC端Ubuntu中：

2.4 方案部署

使用下方命令再次回到开发实例目录

cd /opt/EASY-EAI-Toolkit-C-Solution/solu-dms/

然后，将EASY-EAI编译环境的编译结果部署到板卡中（有两种方法）。

方法一：通过执行以下命令手动部署【推荐】

cp Release/* /mnt/userdata/Solu

方法二：在编译时加上编译参数自动部署

./build.sh cpres

最后，将准备好的模型部署到板卡中（注意：模型要放到编译结果的同一目录中），执行命令如下所示。

cp /opt/model/*.model /mnt/userdata/Solu

2.5 示例方案运行

通过按键Ctrl+Shift+T创建一个新窗口，执行adb shell命令，进入板卡运行环境。

adb shell

进入板卡后，定位到例程部署的位置，如下所示：

cd /userdata/Solu

运行例程命令如下所示：

./solu-dms

2.6 运行效果

运行打印：

root@EASY-EAI-NANO:/userdata/Solu# ./solu-dms 
media get entity by name: rkcif-lvds-subdev is null
media get entity by name: rkcif-lite-lvds-subdev is null
media get entity by name: rkisp-mpfbc-subdev is null
media get entity by name: rkisp_dmapath is null
media get entity by name: rkisp-mpfbc-subdev is null
media get entity by name: rkisp_dmapath is null
media get entity by name: rockchip-mipi-dphy-rx is null
[15:47:08.490666][CAMHW]:XCAM ERROR CamHwIsp20.cpp:928: No free isp&ispp needed by fake camera!
Rga built version:1.04 94a2c08+2023-04-12 10:23:53
Had init the rga dev ctx = 0x9197d0
Rga built version:1.04 94a2c08+2023-04-12 10:23:53
##RKMEDIA Log level: 2
……
librknn_runtime version 1.7.3 (2e55827 build: 2022-08-25 10:45:32 base: 1131)
librknn_runtime version 1.7.3 (2e55827 build: 2022-08-25 10:45:32 base: 1131)
librknn_runtime version 1.7.3 (2e55827 build: 2022-08-25 10:45:32 base: 1131)
librknn_runtime version 1.7.3 (2e55827 build: 2022-08-25 10:45:32 base: 1131)
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
driver state : 
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
driver state : 
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
driver state :   [Is tired]
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
driver state :   [Is tired]   [Smoking]  [Phone Calling]
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
driver state :

如果从摄像头画面中检测到驾驶员有异常行为，后台会打印出被检测到的异常行为标签：

并且会屏幕右侧显示对应的状态。

2.7 开机启动

首先进入板卡环境，执行以下命令，在板卡上创建一个给本例程使用的应用目录：myapp

cd /userdata/apps/
mkdir myapp

然后回到开发环境中，通过使用“2.4方案部署”类似的操作方法，把本例程所需要的全部文件，包含：编译结果，配置文件，模型等。部署到刚刚新建的myapp目录中。

最后在板卡上创建一个run.sh脚本来管控用户所有需要的应用即可，《入门指南/应用程序开机自启动》会详细描述run.sh脚本该如何编写。

3. 代码解析

方案主逻辑代码位于：EASY-EAI-Toolkit-C-Solution/solu-dms/src/main.cpp。代码实现主要通过调用我司的easyeai-api库快速实现驾驶员行为检测功能，代码主体分为主线程和算法分析子线程。

3.1 组件库组成

要实现安全帽检测功能，需要使用到easyeai-api库的以下组件，如下所示。

模组信息如下所示。

组件	头文件以及库路径	描述
系统操作组件	easyeai-api/common_api/system_opt	提供线程操作函数
摄像头组件	easyeai-api/peripheral_api/camera	提供摄像头操作函数
显示屏组件	easyeai-api/peripheral_api/display	提供显示屏操作函数
人脸检测组件	easyeai-api/algorithm_api/face_detect	提供人脸检测操作函数
人脸98关键点组件	easyeai-api/algorithm_api/face_landmark98	提供人脸98关键点操作函数
吸烟检测组件	easyeai-api/algorithm_api/smoke_detect	提供吸烟检测操作函数
打电话检测组件	easyeai-api/algorithm_api/phonecall_detect	提供打电话检测操作函数

这些组件通过CMakeLists.txt编译进工程，具体请看后续章节。

3.2 逻辑框图

项目的整体逻辑框图如下所示。

3.3 主线程

主线程处理的业务有：

初始化外设；
创建算法分析子线程；
抓图发送给到子线程；
抓图、显示；

本处附上主要的逻辑功能代码，其他辅助的、校验型的代码先忽略。
组件初始化操作如下，本处调用RGB摄像头。

// 1.打开摄像头
ret = rgbcamera_init(CAMERA_WIDTH, CAMERA_HEIGHT, 90);
pbuf = NULL;
pbuf = (char *)malloc(IMAGE_SIZE);

创建线程互斥锁以及线程，如下所示。

// 2.创建识别线程，以及图像互斥锁
pthread_mutex_init(&img_lock, NULL);
pResult = (Result_t *)malloc(sizeof(Result_t));
memset(pResult, 0, sizeof(Result_t));
if(0 != CreateNormalThread(detect_thread_entry, pResult, &mTid)){
	free(pResult);
}

初始化显示屏，如下所示。

    // 3.显示初始化
#define SCREEN_WIDTH    720
#define SCREEN_HEIGHT   1280

    screen.screen_width = SCREEN_WIDTH;
    screen.screen_height = SCREEN_HEIGHT;

    screen.wins[0].rotation = 270;
    screen.wins[0].in_fmt = IMAGE_TYPE_BGR888;
    screen.wins[0].enable = 1;
    screen.wins[0].in_w = 640;
    screen.wins[0].in_h = 720;
    screen.wins[0].HorStride = screen.wins[0].in_w;
    screen.wins[0].VirStride = screen.wins[0].in_h;
    screen.wins[0].crop_x = 0;
    screen.wins[0].crop_y = 0;
    screen.wins[0].crop_w = 640;
    screen.wins[0].crop_h = 720;
    screen.wins[0].win_x = 0;
    screen.wins[0].win_y = 0;
    screen.wins[0].win_h = 640;
    screen.wins[0].win_w = 720;

    screen.wins[1].rotation = 270;
    screen.wins[1].in_fmt = IMAGE_TYPE_BGR888;
    screen.wins[1].enable = 1;
    screen.wins[1].in_w = CAMERA_WIDTH;
    screen.wins[1].in_h = CAMERA_HEIGHT;
    screen.wins[1].HorStride =  CAMERA_WIDTH;
    screen.wins[1].VirStride = CAMERA_HEIGHT;
    screen.wins[1].crop_x = 0;
    screen.wins[1].crop_y = 0;
    screen.wins[1].crop_w = 640;
    screen.wins[1].crop_h = 720;
    screen.wins[1].win_x = 0;
    screen.wins[1].win_y = 640;
    screen.wins[1].win_h = 640;
    screen.wins[1].win_w = 720;
    ret = disp_init_pro(&screen);
    if (ret) {
        printf("error: %s, %d\n", __func__, __LINE__);
        goto exit1;
    }

抓取图像，调用clone操作。

// 4.(取流 + 显示)循环
pthread_mutex_lock(&img_lock);
ret = rgbcamera_getframe(pbuf);

algorithm_image = Mat(CAMERA_HEIGHT, CAMERA_WIDTH, CV_8UC3, pbuf);
image = algorithm_image.clone();
pthread_mutex_unlock(&img_lock);

调用显示图像接口，一边显示镜头画面，另一边通过Result将分析的结果显示对应的状态。

// 根据状态贴提示图
if(driverState != Result.drvState){
    driverState = Result.drvState;
    if(0 == driverState){
        tipsImage = cv::imread("normal.jpg",1);
    }else if(driverState & (0x01<<SMOKE_FLAG)){
        tipsImage = cv::imread("smoking.jpg",1);
    }else if(driverState & (0x01<<PHONE_FLAG)){
        tipsImage = cv::imread("calling.jpg",1);
    }else if(driverState & (0x01<<TIRE_FLAG)){
        tipsImage = cv::imread("tired.jpg",1);
    }
    disp_commit_pro(tipsImage.data, 0, tipsImage.cols*tipsImage.rows*3);
}
disp_commit_pro(image.data, 1, IMAGE_SIZE);

3.4 算法分析子线程

算法分析子线程，主要完成以下操作：

延时监测是否图像缓冲区是否为空；
不为空时，证明主函数已发送图像数据过来，线程执行图像获取操作；
调用吸烟检测分析函数；
调用打电话检测分析函数；
调用人脸检测分析函数，以及人脸98关键点分析函数
记录模型输出的数据，分析数据并输出算法结果，并用于后续显示画面合成操作；

延时监测是否有图像，操作如下所示。

if(algorithm_image.empty()) {
	usleep(5);
	continue;
}

获取图像操作如下所示。

pthread_mutex_lock(&img_lock);
image = algorithm_image.clone();
pthread_mutex_unlock(&img_lock);

调用吸烟检测函数，算法得到的目标结果记录于pResult内，如下所示。

/* 1.抽烟检测 */
ret = smoke_detect_run(smokeCtx, image, &pResult->smoke_result);

调用打电话检测函数，算法得到的目标结果记录于pResult内，如下所示。

/* 2.打电话检测 */
ret = phonecall_detect_run(pcCtx, image, &pResult->phonecall_result);

调用人脸检测分析函数，以及人脸98关键点分析函数。得到结果后分析是否有闭眼，打哈欠等动作。

// 人脸检测
ret = face_detect_run(faceCtx, image, pResult->face_result);

// 把人脸裁出，并按256x256像素进行图像缩放
cv::Mat roi_img, reize_img;
roi_img = image(cv::Rect(x, y, max,max));
roi_img = roi_img.clone();
resize(roi_img, reize_img, Size(256,256), 0, 0, INTER_AREA);
pResult->ratio = (float)max/256;

// 把256x256的人脸图像送入98关键点函数找出98个关键点
ret = face_landmark98_run(landmarkCtx, &reize_img, &keyPoints);

// 把98个关键点送入【闭眼】，【打哈欠】判断函数
if(eyesClosing(keyPoints)||yawning(keyPoints)){
	tired_count++;
}else{
	tired_count = 0;
}
// 【闭眼】或【打哈欠】动作连续维持3次以上，则判断为【疲劳】状态
if(3 <= tired_count){
	pResult->drvState |= (0x01<<TIRE_FLAG);
}else{
	pResult->drvState &=~(0x01<<TIRE_FLAG);
}
// 最后清空这98个点的数据
std::vector<KeyPointType>().swap(keyPoints);

4. 开发指南

4.1 示例文件&目录结构

Solution git仓库会随着产品迭代更新，不断新增解决方案代码，当前截图只作参考。

4.1.1 Solution git仓库目录介绍。

Solution工程构成如下所示，由功能组件easyeai-api和各个解决方案构成。

单个“solu-”开头的目录即为一个解决方案案例，代码内调用“EASY EAI-API”来满足某一实际应用场景的需求。

功能组件的描述如下所示，easyeai-api是经过高度封装的易用性组件接口，便于用户直接调用板卡资源。

功能	组件目录	组件子目录	描述
功能组件	easyeai-api	algorithm_api	算法组件
		common_api	通用组件
		media_api	多媒体组件
		netProtocol_api	网络协议组件
		peripheral_api	外设硬件组件

4.1.2 解决方案最基本的目录构成。

每个解决方案就是一个独立的项目，项目内包含部分如下所示，项目使用cmake构建自动编译部署。

具体介绍如下所示。

组成部分	描述
build.sh	编译脚本，用于管理生成可执行文件后的部署准备工作，用户可自定义shell命令
CMakeLists.txt	工程管理文件，用于组织整个工程结构，指导cmake生成Makefile
include	用于存放第三方应用库、头文件目录等
src	用于存放实现本方案需求的源代码

4.1.3 解决方案可拓展的目录构成。

可拓展的目录是指：开发过程中增加某些功能模块，功能代码。增加模式分为两种：

增加已编译的第三方库，在include、libs目录内添加头文件和库文件；
增加用户自定义的功能模块，推荐在src目录内增加；

具体情况如下所示，第三方模块相关的文件由include/3rd_model/xxx.h、libs/3rd_model/xxx.a。自定义的功能模块为src/mySrcCode、src/mySrcCode2。

4.2 CMakeLists.txt文件解析

4.2.1 编译环境配置部分：

第一部分为配置部分，配置部分如下所示。（获取当前方案目录、配置工具链、提取方案名称）：

配置信息如下所示。

配置项	描述
CMake要求版本	cmake_minimum_required函数指定，要求的最低版本
CMAKE_SYSTEM_NAME	cmake的系统类型，交叉编译必须
CMAKE_CROSSCOMPILING	cmake是否启动交叉编译
cross.camke	camke_host_system_information获取平台信息，发现不是armv7l就导入当前平台的交叉编译配置。
project项目名	由project函数指定

4.2.2 easyeai-api配置部分

第二部分是引入我司的功能组件库（针对当前方案进行：配置EASY EAI API头文件目录、库文件目录以及配置库链接参数）：

配置信息如下所示。

配置项	描述
api_inc	最终通过target_include_directories函数指定目标包含的头文件路径
link_directories	由link_directories函数指定easyeai-api库所在路径
LINK_LIBRARIES	由LINK_LIBRARIES函数指定easyeai-api库文件

4.2.3 第三方库配置部分

第三部分配置第三方的库（针对当前方案进行：配置第三方头文件目录、库文件目录、配置第三方库链接参数以及配置源码目录）：

配置信息如下所示。

配置项	描述
custom_inc	自定义变量custom_inc，最终通过target_include_directories函数指定目标包含的头文件路径，在源码include目录下
link_directories	由link_directories函数指定第三方库所在路径
custom_libs	自定义变量custom_libs，最终通过target_link_libraries函数指定目标引用的库链接参数
aux_source_directory	自定义变量dir_srcs，用于添加工程代码以及自定义的个人代码

例如添加个人库的目录组成方式如下所示。

aux_source_directory的修改方式为：

aux_source_directory(./src ./src/mySrcCode ./src/mySrcCode2 dir_srcs)

或

aux_source_directory(./src dir_srcs)
aux_source_directory(./src/mySrcCode dir_srcs)
aux_source_directory(./src/mySrcCode2 dir_srcs)

4.2.4 本方案配置部分

第四部分配置项目的编译信息，内容如下所示：

配置项如下所示。

配置项	描述
add_executable	编译结果为${CURRENT_FOLDER}指定，即方案目录名；编译的源文件为${dir_srcs}指定；
target_include_directories	指定头文件的名字，由${api_inc}与${custom_inc}指定；
target_link_libraries	指定额外的库，例如opencv的库等