正文

面部表情识别3：android实现表情识别(含源码，可实时检测)(代码片段)

AI吃大瓜  AI吃大瓜  2023-04-07  566

关键词：

面部表情识别3：Android实现表情识别(含源码，可实时检测)

（1）将Pytorch模型转换ONNX模型

（2）将ONNX模型转换为TNN模型

（3） Android端上部署模型

（4） Android测试效果

（5）运行APP闪退：dlopen failed: library "libomp.so" not found

5.项目源码下载

这是项目《面部表情识别》系列之《Android实现表情识别(含源码，可实时检测)》，主要分享将Python训练后的面部表情识别模型移植到Android平台。我们将开发一个简易的、可实时运行的面部表情识别的Android Demo。准确率还挺高的，采用轻量级mobilenet_v2模型的面部表情识别准确率也可以高达94.72%左右，基本满足业务性能需求。

项目将手把手教你将训练好的表情识别模型部署到Android平台中，包括如何转为ONNX，TNN模型，并移植到Android上进行部署，实现一个表情识别的Android Demo APP 。APP在普通Android手机上可以达到实时的检测识别效果，CPU(4线程)约30ms左右，GPU约25ms左右，基本满足业务的性能需求。

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/129467015

先展示一下Android版本表情识别Demo效果：

Android面部表情识别APP Demo体验：https://download.csdn.net/download/guyuealian/87575425

或者链接: https://pan.baidu.com/s/16OOi-qCENP4WbIeSzO5e9g 提取码: cs5g

更多项目《面部表情识别》系列文章请参考：

1.面部表情识别方法

面部表情识别方法有多种实现方案，这里采用最常规的方法：基于人脸检测+面部表情分类识别方法，即先采用通用的人脸检测模型，进行人脸检测，然后裁剪人脸区域，再训练一个面部表情分类器，完成对面部表情识别；

这样做的好处，是可以利用现有的人脸检测模型，而无需重新训练人脸检测模型，可减少人工标注成本低；而人脸数据相对而言比较容易采集，分类模型可针对性进行优化。

2.人脸检测方法

本项目人脸检测训练代码请参考：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB

这是一个基于SSD改进且轻量化后人脸检测模型，很slim，整个模型仅仅1.7M左右，在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用，完全可以不局限我这个方法。

关于人脸检测的方法，可以参考我的另一篇博客：

行人检测和人脸检测和人脸关键点检测（C++/Android源码）

3.面部表情识别模型训练

关于面部表情识别模型的训练方法，请参考本人另一篇博文《面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)》：https://blog.csdn.net/guyuealian/article/details/129505205

4.面部表情识别模型Android部署

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署。部署流程可分为四步：训练模型->将模型转换ONNX模型->将ONNX模型转换为TNN模型->Android端上部署TNN模型。

（1）将Pytorch模型转换ONNX模型

训练好Pytorch模型后，我们需要先将模型转换为ONNX模型，以便后续模型部署。

原始项目提供转换脚本，你只需要修改model_file为你模型路径即可
convert_torch_to_onnx.py实现将Pytorch模型转换ONNX模型的脚本

python libs/convert/convert_torch_to_onnx.py

"""
This code is used to convert the pytorch model into an onnx format model.
"""
import sys
import os

sys.path.insert(0, os.getcwd())
import torch.onnx
import onnx
from classifier.models.build_models import get_models
from basetrainer.utils import torch_tools


def build_net(model_file, net_type, input_size, num_classes, width_mult=1.0):
    """
    :param model_file: 模型文件
    :param net_type: 模型名称
    :param input_size: 模型输入大小
    :param num_classes: 类别数
    :param width_mult:
    :return:
    """
    model = get_models(net_type, input_size, num_classes, width_mult=width_mult, is_train=False, pretrained=False)
    state_dict = torch_tools.load_state_dict(model_file)
    model.load_state_dict(state_dict)
    return model


def convert2onnx(model_file, net_type, input_size, num_classes, width_mult=1.0, device="cpu", onnx_type="default"):
    model = build_net(model_file, net_type, input_size, num_classes, width_mult=width_mult)
    model = model.to(device)
    model.eval()
    model_name = os.path.basename(model_file)[:-len(".pth")] + ".onnx"
    onnx_path = os.path.join(os.path.dirname(model_file), model_name)
    # dummy_input = torch.randn(1, 3, 240, 320).to("cuda")
    dummy_input = torch.randn(1, 3, input_size[1], input_size[0]).to(device)
    # torch.onnx.export(model, dummy_input, onnx_path, verbose=False,
    #                   input_names=['input'],output_names=['scores', 'boxes'])
    do_constant_folding = True
    if onnx_type == "default":
        torch.onnx.export(model, dummy_input, onnx_path, verbose=False, export_params=True,
                          do_constant_folding=do_constant_folding,
                          input_names=['input'],
                          output_names=['output'])
    elif onnx_type == "det":
        torch.onnx.export(model,
                          dummy_input,
                          onnx_path,
                          do_constant_folding=do_constant_folding,
                          export_params=True,
                          verbose=False,
                          input_names=['input'],
                          output_names=['scores', 'boxes', 'ldmks'])
    elif onnx_type == "kp":
        torch.onnx.export(model,
                          dummy_input,
                          onnx_path,
                          do_constant_folding=do_constant_folding,
                          export_params=True,
                          verbose=False,
                          input_names=['input'],
                          output_names=['output'])
    onnx_model = onnx.load(onnx_path)
    onnx.checker.check_model(onnx_model)
    print(onnx_path)


if __name__ == "__main__":
    net_type = "mobilenet_v2"
    width_mult = 1.0
    input_size = [128, 128]
    num_classes = 2
    model_file = "work_space/mobilenet_v2_1.0_CrossEntropyLoss/model/best_model_022_98.1848.pth"
    convert2onnx(model_file, net_type, input_size, num_classes, width_mult=width_mult)

（2）将ONNX模型转换为TNN模型

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署

TNN转换工具：

（1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
（2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

（3） Android端上部署模型

项目实现了Android版本的面部表情识别Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。项目Android源码，核心算法均采用C++实现，上层通过JNI接口调用.

如果你想在这个Android Demo部署你自己训练的分类模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。

这是项目Android源码JNI接口，Java部分

package com.cv.tnn.model;

import android.graphics.Bitmap;

public class Detector 

    static 
        System.loadLibrary("tnn_wrapper");
    


    /***
     * 初始化检测模型
     * @param det_model： 检测模型（不含后缀名）
     * @param cls_model： 识别模型（不含后缀名）
     * @param root：模型文件的根目录，放在assets文件夹下
     * @param model_type：模型类型
     * @param num_thread：开启线程数
     * @param useGPU：是否开启GPU进行加速
     */
    public static native void init(String det_model, String cls_model, String root, int model_type, int num_thread, boolean useGPU);

    /***
     * 返回检测和识别结果
     * @param bitmap 图像（bitmap），ARGB_8888格式
     * @param score_thresh：置信度阈值
     * @param iou_thresh：  IOU阈值
     * @return
     */
    public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh);

这是Android项目源码JNI接口，C++部分

#include <jni.h>
#include <string>
#include <fstream>
#include "src/object_detection.h"
#include "src/classification.h"
#include "src/Types.h"
#include "debug.h"
#include "android_utils.h"
#include "opencv2/opencv.hpp"
#include "file_utils.h"

using namespace dl;
using namespace vision;

static ObjectDetection *detector = nullptr;
static Classification *classifier = nullptr;

JNIEXPORT jint JNI_OnLoad(JavaVM *vm, void *reserved) 
    return JNI_VERSION_1_6;


JNIEXPORT void JNI_OnUnload(JavaVM *vm, void *reserved) 




extern "C"
JNIEXPORT void JNICALL
Java_com_cv_tnn_model_Detector_init(JNIEnv *env,
                                    jclass clazz,
                                    jstring det_model,
                                    jstring cls_model,
                                    jstring root,
                                    jint model_type,
                                    jint num_thread,
                                    jboolean use_gpu) 
    if (detector != nullptr) 
        delete detector;
        detector = nullptr;
    
    std::string parent = env->GetStringUTFChars(root, 0);
    std::string det_model_ = env->GetStringUTFChars(det_model, 0);
    std::string cls_model_ = env->GetStringUTFChars(cls_model, 0);
    string det_model_file = path_joint(parent, det_model_ + ".tnnmodel");
    string det_proto_file = path_joint(parent, det_model_ + ".tnnproto");
    string cls_model_file = path_joint(parent, cls_model_ + ".tnnmodel");
    string cls_proto_file = path_joint(parent, cls_model_ + ".tnnproto");
    DeviceType device = use_gpu ? GPU : CPU;
    LOGW("parent     : %s", parent.c_str());
    LOGW("useGPU     : %d", use_gpu);
    LOGW("device_type: %d", device);
    LOGW("model_type : %d", model_type);
    LOGW("num_thread : %d", num_thread);
    ObjectDetectionParam model_param = FACE_MODEL;
    detector = new ObjectDetection(det_model_file,
                                   det_proto_file,
                                   model_param,
                                   num_thread,
                                   device);

    //ClassificationParam ClassParam = FACE_MASK_MODEL;
    ClassificationParam ClassParam = EYEGLASSES_MODEL;
    classifier = new Classification(cls_model_file,
                                    cls_proto_file,
                                    ClassParam,
                                    num_thread,
                                    device);


extern "C"
JNIEXPORT jobjectArray JNICALL
Java_com_cv_tnn_model_Detector_detect(JNIEnv *env, jclass clazz, jobject bitmap,
                                      jfloat score_thresh, jfloat iou_thresh) 
    cv::Mat bgr;
    BitmapToMatrix(env, bitmap, bgr);
    int src_h = bgr.rows;
    int src_w = bgr.cols;
    // 检测区域为整张图片的大小
    FrameInfo resultInfo;
    // 开始检测
    if (detector != nullptr) 
        detector->detect(bgr, &resultInfo, score_thresh, iou_thresh);
     else 
        ObjectInfo objectInfo;
        objectInfo.x1 = 0;
        objectInfo.y1 = 0;
        objectInfo.x2 = (float)src_w;
        objectInfo.y2 = (float)src_h;
        objectInfo.label = 0;
        resultInfo.info.push_back(objectInfo);
    

    int nums = resultInfo.info.size();
    LOGW("object nums: %d\\n", nums);
    if (nums > 0) 
        // 开始检测
        classifier->detect(bgr, &resultInfo);
        // 可视化代码
        printf("sitting label:%d,score:%3.5f", resultInfo.label, resultInfo.score);
        //classifier->visualizeResult(bgr, &resultInfo);
    
    //cv::cvtColor(bgr, bgr, cv::COLOR_BGR2RGB);
    //MatrixToBitmap(env, bgr, dst_bitmap);
    auto BoxInfo = env->FindClass("com/cv/tnn/model/FrameInfo");
    auto init_id = env->GetMethodID(BoxInfo, "<init>", "()V");
    auto box_id = env->GetMethodID(BoxInfo, "addBox", "(FFFFIF)V");
    auto ky_id = env->GetMethodID(BoxInfo, "addKeyPoint", "(FFF)V");
    jobjectArray ret = env->NewObjectArray(resultInfo.info.size(), BoxInfo, nullptr);
    for (int i = 0; i < nums; ++i) 
        auto info = resultInfo.info[i];
        env->PushLocalFrame(1);
        //jobject obj = env->AllocObject(BoxInfo);
        jobject obj = env->NewObject(BoxInfo, init_id);
        // set bbox
        //LOGW("rect:[%f,%f,%f，%f] label:%d,score:%f \\n", info.rect.x,info.rect.y, info.rect.w, info.rect.h, 0, 1.0f);
        env->CallVoidMethod(obj, box_id, info.x1, info.y1, info.x2 - info.x1, info.y2 - info.y1,
                            info.category.label, info.category.score);
        // set keypoint
        for (const auto &kps : info.landmarks) 
            //LOGW("point:[%f,%f] score:%f \\n", lm.point.x, lm.point.y, lm.score);
            env->CallVoidMethod(obj, ky_id, (float) kps.x, (float) kps.y, 1.0f);
        
        obj = env->PopLocalFrame(obj);
        env->SetObjectArrayElement(ret, i, obj);
    
    return ret;

（4） Android测试效果

Android Demo在普通手机CPU/GPU上可以达到实时检测和识别效果；CPU(4线程)约30ms左右，GPU约25ms左右，基本满足业务的性能需求。

（5）运行APP闪退：dlopen failed: library "libomp.so" not found

参考解决方法：
解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed

Android SDK和NDK相关版本信息，请参考：

5.项目源码下载

Android项目源码下载地址：面部表情识别3：Android实现表情识别(含源码，可实时检测)

整套Android项目源码内容包含：

提供Android版本的人脸检测模型
提供面部表情识别Android Demo源码
Android Demo在普通手机CPU/GPU上可以实时检测和识别,约30ms左右
Android Demo支持图片，视频，摄像头测试
所有依赖库都已经配置好，可直接build运行，若运行出现闪退，请参考dlopen failed: library “libomp.so“ not found 解决。

Android面部表情识别APP Demo体验：https://download.csdn.net/download/guyuealian/87575425

或者链接: https://pan.baidu.com/s/16OOi-qCENP4WbIeSzO5e9g 提取码: cs5g

如果你需要面部表情识别的训练代码，请参考：《面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)》https://blog.csdn.net/guyuealian/article/details/129505205

面部表情识别1：表情识别数据集(含下载链接)

...情识别数据集下载5.表情识别Demo(Python版本)6.表情识别Demo(Android版本)7.参考资料1.前言这是项目《面部表情识别》系列文章之《表情识别数据集(含下载链接)》；我们将分享多个表情识别数据集（FacialExpression Dataset）&#x... 查看详情

人脸表情识别基于matlabguilbp+svm脸部动态特征人脸表情识别含matlab源码1369期

...。视频表情实时识别是一个很有应用价值的研究课题。人面部表情的复杂性与细腻性使计算复杂度增加,计算量查看详情

人脸表情识别基于matlabguilbp+svm脸部动态特征人脸表情识别含matlab源码1369期

...。视频表情实时识别是一个很有应用价值的研究课题。人面部表情的复杂性与细腻性使计算复杂度增加,计算量查看详情

人脸表情识别系统介绍——上篇（python实现，含ui界面及完整代码）

摘要：这篇博文介绍基于深度卷积神经网络实现的人脸表情识别系统，系统程序由Keras,OpenCv,PyQt5的库实现，训练测试集采用fer2013表情库。如图系统可通过摄像头获取实时画面并识别其中的人脸表情，也可以通过读取图片识别，... 查看详情

来自网络摄像头的面部表情识别[关闭]

】来自网络摄像头的面部表情识别[关闭]【英文标题】：Facialexpressionrecognitionfromwebcam[closed]【发布时间】：2013-07-0500:07:35【问题描述】：我目前正在从事一个项目，我必须提取用户的面部表情（一次只能从网络摄像头中提取一个... 查看详情

python基于opencv的人脸表情识别系统[源码＆部署教程](代码片段)

1.项目背景人脸表情识别是模式识别中一个非常重要却十分复杂的课题。首先对计算机人脸表情识别技术的研究背景及发展历程作了简单回顾。然后对近期人脸表情识别的方法进行了分类综述。通过对各种识别方法的分析与比较,... 查看详情

人脸情绪识别需求分析心得

...好地理解人类的心理是人机交互必须要解决的问题.人的面部表情中包含丰富的信息,研究指出,面部表情可以比动作和语言更好地表达人类的心理活动,面部表情识别也因此成为了人机交互中不可或缺的部分。可能应用1.用于心理医查看详情

人脸表情识别系统的设计与实现(含ui界面，有完整代码)

人脸表情识别系统的设计与实现(含UI界面，有完整代码)这是之前本科做的毕设，当时使用的是keras搭建了一个简单的神经网络作为入门实现了在fer2013人脸表情数据集上的表情分类，并移植到了树莓派上，但是当时... 查看详情

人脸表情识别系统——基于mini-xception网络模型实现表情分类

人脸表情识别系统介绍目录1.背景2.人脸检测3.人脸表情识别3.1Mini-Xception网络查看详情

看下巴识心情，这个ai项链挂胸前也能识别面部表情

...带样式，AI只需要看到使用者的下巴，就可以获取面部表情数据。这款设备的面部识别原理，不仅打破了必须在正面放置摄像头的局限查看详情

基于unity引擎利用opencv和mediapipe的面部表情和人体运动捕捉系统

基于Unity引擎利用OpenCV和MediaPipe的面部表情和人体运动捕捉系统前言项目概述项目实现效果2D面部表情实时捕捉3D人体动作实时捕捉补充引用前言之前做的一个项目——使用Python利用OpenCV图像捕捉，配合强大的Mediapipe库来实现... 查看详情

面部表情检测

】面部表情检测【英文标题】：Facialexpressiondetection【发布时间】：2012-06-0810:23:56【问题描述】：我目前正在从事一个项目，我必须提取用户（一次只有一个用户）的面部表情，比如悲伤或快乐。有很多程序/API可以做人脸检测，... 查看详情

模式识别svm实现人脸表情分类(代码片段)

...持向量机（SVM）算法的课程设计，根据人脸的面部特征，通过SVM算法将表情分为7类。本文的jupyter文件和数据集下载地址：https://download.csdn.net/download/qq1198768105/66912662数据集本文采用的数据集为TheJapaneseFemaleFacia... 查看详情

戴眼镜检测和识别3：android实现戴眼镜检测和识别(含源码，可实时检测)(代码片段)

Android实现戴眼镜检测和识别(含源码，可实时检测)目录Android实现戴眼镜检测和识别(含源码，可实时检测)1.戴眼镜检测和识别方法2.戴眼镜人脸检测2.戴眼镜识别模型训练3.戴眼镜识别模型Android部署（1）将Pytorch模... 查看详情

面由心生，由脸观心：基于ai的面部微表情分析技术解读

...观心”，将主要分享如何快速实时且精准检测并识别面部情绪。俗话说“面由心生”，意思是如果你心理有情绪，我们一般能够从你的脸上观察到，这种技术可以说是“由脸观心”，是一种基于面部的AI情绪识... 查看详情

android实现佩戴安全帽检测和识别(含训练代码+android源码+数据集)(代码片段)

Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)目录 Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)1.前言2.佩戴安全帽检测和识别的方法（1）基于目标检测的佩戴安全帽识... 查看详情

android实现佩戴安全帽检测和识别(含训练代码+android源码+数据集)(代码片段)

android实现手部检测和手势识别（含训练代码+android源码+手势识别数据集）(代码片段)

Android实现手部检测和手势识别（含训练代码+Android源码+手势识别数据集）目录Android实时手势动作识别（含训练代码++手势识别数据集）1.前言2.手势识别的方法（1）基于多目标检测的手势识别... 查看详情

正文

面部表情识别3：android实现表情识别(含源码，可实时检测)(代码片段)

面部表情识别3：Android实现表情识别(含源码，可实时检测)

1.面部表情识别方法

2.人脸检测方法

3.面部表情识别模型训练

4.面部表情识别模型Android部署

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为TNN模型

（3） Android端上部署模型

（4） Android测试效果

（5） 运行APP闪退：dlopen failed: library "libomp.so" not found

5.项目源码下载

面部表情识别1：表情识别数据集(含下载链接)

人脸表情识别基于matlabguilbp+svm脸部动态特征人脸表情识别含matlab源码1369期

人脸表情识别基于matlabguilbp+svm脸部动态特征人脸表情识别含matlab源码1369期

人脸表情识别系统介绍——上篇（python实现，含ui界面及完整代码）

来自网络摄像头的面部表情识别[关闭]

python基于opencv的人脸表情识别系统[源码＆部署教程](代码片段)

人脸情绪识别需求分析心得

人脸表情识别系统的设计与实现(含ui界面，有完整代码)

人脸表情识别系统——基于mini-xception网络模型实现表情分类

看下巴识心情，这个ai项链挂胸前也能识别面部表情

基于unity引擎利用opencv和mediapipe的面部表情和人体运动捕捉系统

面部表情检测

模式识别svm实现人脸表情分类(代码片段)

戴眼镜检测和识别3：android实现戴眼镜检测和识别(含源码，可实时检测)(代码片段)

面由心生，由脸观心：基于ai的面部微表情分析技术解读

android实现佩戴安全帽检测和识别(含训练代码+android源码+数据集)(代码片段)

android实现佩戴安全帽检测和识别(含训练代码+android源码+数据集)(代码片段)

android实现手部检测和手势识别（含训练代码+android源码+手势识别数据集）(代码片段)

（1）将Pytorch模型转换ONNX模型

（2）将ONNX模型转换为TNN模型

（5）运行APP闪退：dlopen failed: library "libomp.so" not found