鸿蒙5.0【在OpenHarmony上使用SeetaFace2人脸识别库】

简介

相信大部分同砚们都已了解或接触过OpenAtom OpenHarmony（以下简称“OpenHarmony”）了，但你一定没在OpenHarmony上实现过人脸识别功能，跟着本文带你快速在OpenHarmony尺度装备上基于SeetaFace2和OpenCV实现人脸识别。
项目效果

本项目实现了导入人脸模子、人脸框选和人脸识别三大功能，操纵流程如下：

• 录入页面点击右下角按钮，跳转拍摄页面举行照相；
  
• 选择一张或多张人脸作为训练模子，并设置对应的名字；
  
• 选择一张未录入的人脸图片，点击框选按钮实现人脸图片框选功能；
  
• 最后点击识别，应用会对当前图片举行匹配，最终在界面中显示识别效果。
  

快速上手

   装备端开发
  装备端通过OpenCV对图像举行处理并通过Seetaface2对图形数据举行人脸头像的识别，最终输出对应的NAPI接口提供给应用端调用。因此装备端开发重要涉及到OpenCV和Seetaface2的移植以及NAPI接口的开发。
OpenCV库移植
OpenCV是一个功能非常强大的开源盘算机视觉库。此库已由知识体系工作组移植到了OpenHarmony中，后期还会将此库合入到主仓。在此库上主仓之前，我们只必要以下几个步调就可以实现OpenCV的移植使用。

• 通过以下命令下载已经移植好的OpenCV
  

1. git clone git@gitee.com:zhong-luping/ohos_opencv.git

复制代码

• 将OpenCV拷贝到OpenHarmony目录的third_party下
  

1. cp -raf opencv ~/openharmony/third_party/

复制代码

• 恰当裁剪编译选项
  

打开OpenCV目录下的BUILD.gn，如下：
不必要video以及flann功能，将对应的模块注释即可。

1. import("//build/ohos.gni")
2. group("opencv") {
3.     deps = [
4.         "//third_party/opencv/modules/core:opencv_core",
5.       //  "//third_party/opencv/modules/flann:opencv_flann",
6.         "//third_party/opencv/modules/imgproc:opencv_imgproc",
7.         "//third_party/opencv/modules/ml:opencv_ml",
8.         "//third_party/opencv/modules/photo:opencv_photo",
9.         "//third_party/opencv/modules/dnn:opencv_dnn",
10.         "//third_party/opencv/modules/features2d:opencv_features2d",
11.         "//third_party/opencv/modules/imgcodecs:opencv_imgcodecs",
12.         "//third_party/opencv/modules/videoio:opencv_videoio",
13.         "//third_party/opencv/modules/calib3d:opencv_calib3d",
14.         "//third_party/opencv/modules/highgui:opencv_highgui",
15.         "//third_party/opencv/modules/objdetect:opencv_objdetect",
16.         "//third_party/opencv/modules/stitching:opencv_stitching",
17.         "//third_party/opencv/modules/ts:opencv_ts",
18.      //   "//third_party/opencv/modules/video:opencv_video",
19.        "//third_party/opencv/modules/gapi:opencv_gapi",
20.     ]
21. }

复制代码

• 添加依赖子系统的part_name，编译框架子系统会将编译出的库拷贝到系统文件中。
  

此项目中我们新建了一个SeetaFaceApp的子系统，该子系统中命名part_name为SeetafaceApi，所以我们必要在对应模块中的BUILD.gn中加上part_name=“SeetafaceApi”
以module/core为例：

1. ohos_shared_library("opencv_core"){
2. sources = [ ... ]
3. configs = [  ... ]
4. deps = [ ... ]
5. part_name = "SeetafaceApi"
6. }

复制代码

• 编译工程必要添加OpenCV的依赖。
  

在生成NAPI的BUILD.gn中添加以下依赖：

1. deps += [ "//third_party/opencv:opencv" ]

复制代码

至此，人脸识别中OpenCV的移植使用完成。
SeetaFace2库移植
SeetaFace2是中科视拓开源的第二代人脸识别库。包罗了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块FaceDetector、面部关键点定位模块FaceLandmarker以及人脸特性提取与比对模块 FaceRecognizer。
关于SeetaFace2的移植请参照文档:SeetaFace2移植开发文档。
NAPI接口开发
关于OpenHarmony中的NAPI开发，参考视频：
OpenHarmony中napi的开发视频教程。本文将重点讲解NAPI接口怎样实现OpenCV以及SeetaFace的调用。

• 人脸框获取的NAPI接口的实现。
  

int GetRecognizePoints(const char *image_path)；
此接口重要是通过应用层输入一张图片，通过OpenCV的imread接口获取到图片数据，并通过人脸检测模块FaceDetector分析获得图片中全部的人脸矩形框（矩形框是以x,y,w,h的方式）并将人脸框矩形以数组的方式返回到应用层。
人脸框矩形获取的重要代码如下：

1. static int RecognizePoint(string image_path, FaceRect *rect, int num)
2. {
3.     if (rect == nullptr) {
4.         cerr << "NULL POINT!" << endl;
5.         LOGE("NULL POINT! \n");
6.         return -1;
7.     }
8.     seeta::ModelSetting::Device device = seeta::ModelSetting::CPU;
9.     int id = 0;
12.     /* 设置人脸识别模型。*/
13.     seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );
14.     seeta::ModelSetting FL_model( "/system/usr/model/pd_2_00_pts81.dat", device, id );
17.     seeta::FaceDetector FD(FD_model);
18.     seeta::FaceLandmarker FL(FL_model);
21.     FD.set(seeta::FaceDetector::PROPERTY_VIDEO_STABLE, 1);
24.     /* 读取图片数据 */
25.     auto frame = imread(image_path);
26.     seeta::cv::ImageData simage = frame;
27.     if (simage.empty()) {
28.         cerr << "Can not open image: " << image_path << endl;
29.         LOGE("Can not open image: %{public}s", image_path.c_str());
30.         return -1;
31.     }
32.     /* 图片数据进行人脸识别处理 ，获取所有的人脸框数据对象*/
33.     auto faces = FD.detect(simage);
34.     if (faces.size <= 0) {
35.         cerr << "detect " << image_path << "failed!" << endl;
36.         LOGE("detect image: %s failed!", image_path.c_str());
37.         return -1;
38.     }
39.     for (int i = 0; (i < faces.size && i < num); i++) {
40.         /* 将所有人脸框对象数据以坐标形式输出*/
41.         auto &face = faces.data[i];
42.         memcpy(&rect[i], &(face.pos), sizeof(FaceRect));
43.     }
44.     return faces.size;
45. }

复制代码

其中FD_model是人脸检测模子，而FL_model是面部关键点定位模子(此模子分为5点定位和81点定位，本项目中使用的是81点定位模子)，这些模子从开源项目中免费获取。
通过以上方式获取到对应的人脸矩形框后，再将矩形框以数组的方式返回到应用端：

1.     string image = path;
2.     p = (FaceRect *)malloc(sizeof(FaceRect) * MAX_FACE_RECT);
3.     /* 根据图片进行人脸识别并获取人脸框坐标点 */
4.     int retval = RecognizePoint(image, p, MAX_FACE_RECT);
5.     if (retval <= napi_ok) {
6.         LOGE("GetNapiValueString failed!");
7.         free(p);
8.         return result;
9.     }  
10.     /*将所有坐标点以数组方式返回到应用端*/
11.     for (int i = 0; i < retval; i++) {
12.         int arry_int[4] = {p[i].x, p[i].y, p[i].w, p[i].h};
13.         int arraySize = (sizeof(arry_int) / sizeof(arry_int[0]));
14.         for (int j = 0; j < arraySize; j++) {
15.             napi_value num_val;
16.             if (napi_create_int32(env, arry_int[j], &num_val) != napi_ok) {
17.                 LOGE("napi_create_int32 failed!");
18.                 return result;
19.             }
20.             napi_set_element(env, array, i*arraySize + j, num_val);
21.         }
22.     }
23.     if (napi_create_object(env, &result) != napi_ok) {
24.         LOGE("napi_create_object failed!");
25.         free(p);
26.         return result;
27.     }
28.     if (napi_set_named_property(env, result, "recognizeFrame", array) != napi_ok) {
29.         LOGE("napi_set_named_property failed!");
30.         free(p);
31.         return result;
32.     }
33.     LOGI("");
34.     free(p);
35.     return result;

复制代码

其中array是通过napi_create_array创建的一个NAPI数组对象，通过 napi_set_element将全部的矩形框数据保存到array对象中，最后通过 napi_set_named_property将array转换成应用端可识别的对象类型result并将其返回。

• 人脸搜索识别初始化与逆初始化。
  
• int FaceSearchInit()；
  
• int FaceSearchDeinit()；
  

这2个接口重要是提供给人脸搜索以及识别调用的，初始化重要包含模子的注册以及识别模块的初始化：

1. static  int FaceSearchInit(FaceSearchInfo *info)
2. {
3.     if (info == NULL) {
4.         info = (FaceSearchInfo *)malloc(sizeof(FaceSearchInfo));
5.         if (info == nullptr) {
6.             cerr << "NULL POINT!" << endl;
7.             return -1;
8.         }
9.     }
12.     seeta::ModelSetting::Device device = seeta::ModelSetting::CPU;
13.     int id = 0;
14.     seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );
15.     seeta::ModelSetting PD_model( "/system/usr//model/pd_2_00_pts5.dat", device, id );
16.     seeta::ModelSetting FR_model( "/system/usr/model/fr_2_10.dat", device, id );
19.     info->engine = make_shared<seeta::FaceEngine>(FD_model, PD_model, FR_model, 2, 16);
20.     info->engine->FD.set( seeta::FaceDetector::PROPERTY_MIN_FACE_SIZE, 80);
23.     info->GalleryIndexMap.clear();
26.     return 0;
27. }

复制代码

而逆初始化就是做一些内存的开释。

1. static void FaceSearchDeinit(FaceSearchInfo *info, int need_delete)
2. {
3.     if (info != nullptr) {
4.         if (info->engine != nullptr) {
5.         }
8.         info->GalleryIndexMap.clear();
9.         if (need_delete) {
10.             free(info);
11.             info = nullptr;
12.         }
13.     }
14. }

复制代码

• 人脸搜索识别注册接口的实现。
  

int FaceSearchRegister(const char *value);
必要留意的是，该接口必要应用端传入一个json数据的参数，重要包含注册人脸的名字，图片以及图片个数，如{“name”:“刘德华”,“sum”:“2”,“image”:{“11.jpg”,“12.jpg”}}。而剖析参数的时候必要调用 napi_get_named_property对json数据的各个对象举行剖析，具体代码如下：

1.     napi_get_cb_info(env, info, &argc, &argv, &thisVar, &data);
2.     napi_value object = argv;
3.     napi_value value = nullptr;
6.     if (napi_get_named_property(env, object, (const char *)"name", &value) == napi_ok) {
7.         char name[64] = {0};
8.         if (GetNapiValueString(env, value, (char *)name, sizeof(name)) < 0) {
9.             LOGE("GetNapiValueString failed!");
10.             return result;
11.         }
12.         reg_info.name = name;
13.     }
14.     LOGI("name = %{public}s", reg_info.name.c_str());
15.     if (napi_get_named_property(env, object, (const char *)"sum", &value) == napi_ok) {
16.         
17.         if (napi_get_value_uint32(env, value, &sum) != napi_ok) {
18.             LOGE("napi_get_value_uint32 failed!");
19.             return result;
20.         }
21.     }
22.     LOGI("sum = %{public}d", sum);
23.     if (napi_get_named_property(env, object, (const char *)"image", &value) == napi_ok) {
24.         bool res = false;
25.         if (napi_is_array(env, value, &res) != napi_ok || res == false) {
26.             LOGE("napi_is_array failed!");
27.             return result;
28.         }
29.         for (int i = 0; i < sum; i++) {
30.             char image[256] = {0};
31.             napi_value imgPath = nullptr;
32.             if (napi_get_element(env, value, i, &imgPath) != napi_ok) {
33.                 LOGE("napi_get_element failed!");
34.                 return result;
35.             }
36.             if (GetNapiValueString(env, imgPath, (char *)image, sizeof(image)) < 0) {
37.                 LOGE("GetNapiValueString failed!");
38.                 return result;
39.             }
40.             reg_info.path = image;
41.             if (FaceSearchRegister(g_FaceSearch, reg_info) != napi_ok) {
42.                 retval = -1;
43.                 break;
44.             }
45.         }
46.     }

复制代码

通过napi_get_cb_info获取从应用端传来的参数，并通过 napi_get_named_property获取对应的name以及图片个数，最后通过napi_get_element获取图片数组中的各个image，将name和image通过FaceSearchRegister接口将图片和名字注册到SeetaFace2模块的识别引擎中。具体实现如下：

1. static int FaceSearchRegister(FaceSearchInfo &info, RegisterInfo &gegister)
2. {
3.     if (info.engine == nullptr) {
4.         cerr << "NULL POINT!" << endl;
5.         return -1;
6.     }
9.     seeta::cv::ImageData image = cv::imread(gegister.path);
10.     auto id = info.engine->Register(image);
11.     if (id >= 0) {
12.         info.GalleryIndexMap.insert(make_pair(id, gegister.name));
13.     }
16.     return 0;
17. }

复制代码

注册完数据后，后续可以通过该引擎来识别对应的图片。

• 获取人脸搜索识别效果接口的实现。
  

1. char *FaceSearchGetRecognize(const char *image_path);

复制代码

该接口实现了通过传入一张图片，在识别引擎中举行搜索识别。如果识别引擎中有类似的人脸注册，则返回对应人脸注册时的名字，否则返回不识别(ignored)字样。该方法是通过异步回调的方式实现的：

1.     // 创建async work，创建成功后通过最后一个参数(commandStrData->asyncWork)返回async work的handle
2.     napi_value resourceName = nullptr;
3.     napi_create_string_utf8(env, "FaceSearchGetPersonRecognizeMethod", NAPI_AUTO_LENGTH, &resourceName);
4.     napi_create_async_work(env, nullptr, resourceName, FaceSearchRecognizeExecuteCB, FaceSearchRecognizeCompleteCB,
5.             (void *)commandStrData, &commandStrData->asyncWork);
8.     // 将刚创建的async work加到队列，由底层去调度执行
9.     napi_queue_async_work(env, commandStrData->asyncWork);

复制代码

其中FaceSearchRecognizeExecuteCB实现了人脸识别

1. static void FaceSearchRecognizeExecuteCB(napi_env env, void *data)
2. {
3.     CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);
4.     if (commandStrData == nullptr) {
5.         HILOG_ERROR("nullptr point!", __FUNCTION__, __LINE__);
6.         return;
7.     }
10.     FaceSearchInfo faceSearch = *(commandStrData->mFaceSearch);
11.     commandStrData->result = FaceSearchSearchRecognizer(faceSearch, commandStrData->filename);
12.     LOGI("Recognize result : %s !", __FUNCTION__, __LINE__, commandStrData->result.c_str());
13. }

复制代码

FaceSearchRecognizeCompleteCB函数通过napi_resolve_deferred接口将识别效果返回到应用端。

1. static void FaceSearchRecognizeCompleteCB(napi_env env, napi_status status, void *data)
2. {
3.     CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);
4.     napi_value result;
7.     if (commandStrData == nullptr || commandStrData->deferred == nullptr) {
8.         LOGE("nullptr", __FUNCTION__, __LINE__);
9.         if (commandStrData != nullptr) {
10.             napi_delete_async_work(env, commandStrData->asyncWork);
11.             delete commandStrData;
12.         }
15.         return;
16.     }
19.     const char *result_str = (const char *)commandStrData->result.c_str();
20.     if (napi_create_string_utf8(env, result_str, strlen(result_str), &result) != napi_ok) {
21.         LOGE("napi_create_string_utf8 failed!", __FUNCTION__, __LINE__);
22.         napi_delete_async_work(env, commandStrData->asyncWork);
23.         delete commandStrData;
24.         return;
25.     }
28.     napi_resolve_deferred(env, commandStrData->deferred, result);
29.     napi_delete_async_work(env, commandStrData->asyncWork);
32.     delete commandStrData;
33. }

复制代码

通过人脸特性提取与比对模块，对传入的数据与已注册的数据举行对比，并通过返回对比的相似度来举行判断当前人脸是否为可识别的，最后返回识别效果。具体实今世码：

1. static string FaceSearchSearchRecognizer(FaceSearchInfo &info, string filename)
2. {
3.     if (info.engine == nullptr) {
4.         cerr << "NULL POINT!" << endl;
5.         return "recognize error 0";
6.     }
7.     string name;
8.     float threshold = 0.7f;
9.     seeta::QualityAssessor QA;
10.     auto frame = cv::imread(filename);
11.     if (frame.empty()) {
12.         LOGE("read image %{public}s failed!", filename.c_str());
13.         return "recognize error 1!";
14.     }
15.     seeta::cv::ImageData image = frame;
16.     std::vector<SeetaFaceInfo> faces = info.engine->DetectFaces(image);
19.     for (SeetaFaceInfo &face : faces) {
20.         int64_t index = 0;
21.         float similarity = 0;
24.         auto points = info.engine->DetectPoints(image, face);
27.         auto score = QA.evaluate(image, face.pos, points.data());
28.         if (score == 0) {
29.             name = "ignored";
30.         } else {
31.             auto queried = info.engine->QueryTop(image, points.data(), 1, &index, &similarity);
32.             // no face queried from database
33.             if (queried < 1) continue;
34.                 // similarity greater than threshold, means recognized
35.             if( similarity > threshold ) {
36.                 name = info.GalleryIndexMap[index];
37.             }
38.         }
39.     }
40.     LOGI("name : %{public}s \n", name.length() > 0 ? name.c_str() : "null");
41.     return name.length() > 0 ? name : "recognize failed";
42. }

复制代码

至此，全部的NAPI接口已经开发完成。

• NAPI库编译开发完NAPI接口后，我们必要将我们编写的库加入到系统中举行编译，我们必要添加一个自己的子系统。
  

首先在库目录下新建一个ohos.build

1. {
2.     "subsystem": "SeetafaceApp",
3.     "parts": {
4.         "SeetafaceApi": {
5.             "module_list": [
6.                "//seetaface:seetafaceapp_napi"
7.             ],
8.             "test_list": [ ]
9.         }
10.     }
11. }

复制代码

其次同一目录新建一个BUILD.gn，将库源文件以及对应的依赖加上，如下：

1. import("//build/ohos.gni")config("lib_config") {    cflags_cc = [        "-frtti",        "-fexceptions",        "-DCVAPI_EXPORTS",        "-DOPENCV_ALLOCATOR_STATS_COUNTER_TYPE=int",        "-D_USE_MATH_DEFINES",        "-D__OPENCV_BUILD=1",        "-D__STDC_CONSTANT_MACROS",        "-D__STDC_FORMAT_MACROS",        "-D__STDC_LIMIT_MACROS",        "-O2",        "-Wno-error=header-hygiene",    ]}ohos_shared_library("seetafaceapp_napi") {    sources = [        "app.cpp",    ]    include_dirs = [        "./",        "//third_party/opencv/include",        "//third_party/opencv/common",        "//third_party/opencv/modules/core/include",        "//third_party/opencv/modules/highgui/include",        "//third_party/opencv/modules/imgcodecs/include",        "//third_party/opencv/modules/imgproc/include",        "//third_party/opencv/modules/calib3d/include",        "//third_party/opencv/modules/dnn/include",        "//third_party/opencv/modules/features2d/include",        "//third_party/opencv/modules/flann/include",        "//third_party/opencv/modules/ts/include",        "//third_party/opencv/modules/video/include",        "//third_party/opencv/modules/videoio/include",        "//third_party/opencv/modules/ml/include",        "//third_party/opencv/modules/objdetect/include",        "//third_party/opencv/modules/photo/include",        "//third_party/opencv/modules/stitching/include",        "//third_party/SeetaFace2/FaceDetector/include",        "//third_party/SeetaFace2/FaceLandmarker/include",        "//third_party/SeetaFace2/FaceRecognizer/include",        "//third_party/SeetaFace2/QualityAssessor/include",        "//base/accessibility/common/log/include",        "//base/hiviewdfx/hilog_lite/interfaces/native/innerkits"    ]    deps = [ "//foundation/ace/napi:ace_napi" ]    deps += [ "//third_party/opencv:opencv" ]
2.     deps += [ "//third_party/SeetaFace2:SeetaFace2" ]    external_deps = [        "hiviewdfx_hilog_native:libhilog",    ]    configs = [       ":lib_config"    ]    # 指定库生成的路径    relative_install_dir = "module"    # 子系统及其组件，后面会引用    subsystem_name = "SeetafaceApp"    part_name = "SeetafaceApi"}

复制代码

添加完对应的文件后，我们必要将我们的子系统添加到系统中举行编译，打开build/subsystem_config.json并在最后添加以下代码：

1.   "SeetafaceApp": {
2.     "path": "seetaface",
3.     "name": "SeetafaceApp"
4.   }

复制代码

添加完子系统再修改产对应的品配置
打开productdefine/common/products/rk3568.json并在最后添加以下代码：

1. "SeetafaceApp:SeetafaceApi":{}

复制代码

做完以上修改后我们就可以通过以下命令直接编译NAPI的库文件了：

1. ./build.sh --product-name rk3568 --ccache

复制代码

参考RK3568快速上手-镜像烧录完成烧录即可。
   应用端开发
  在完成装备NAPI功能开发后，应用端通过调用NAPI组件中暴露给应用的人脸识别接口，即可实现对应功能。接下来就带着大家使用NAPI实现人脸识别功能。
开发准备

• 下载DevEco Studio 3.0 Beta4；
  
• 搭建开发情况，参考开发准备；
  
• 了解属性eTS开发，参考eTS语言快速入门；
  

SeetaFace2初始化

• 首先将SeetaFace2 NAPI接口声明文件放置于SDK目录/api下；
  
• 然后导入SeetaFace2 NAPI模块；ck-start/star
  
• 调用初始化接口；
  

1. // 首页实例创建后
2. async aboutToAppear() {
3.   await StorageUtils.clearModel();
4.   CommonLog.info(TAG,'aboutToAppear')
5.   // 初始化人脸识别
6.   let res = SeetafaceApp.FaceSearchInit()
7.   CommonLog.info(TAG,`FaceSearchInit res=${res}`)
8.   this.requestPermissions()
9. }
12. // 请求权限
13. requestPermissions(){
14.   CommonLog.info(TAG,'requestPermissions')
15.   let context = featureAbility.getContext()
16.   context.requestPermissionsFromUser(PERMISSIONS, 666,(res)=>{
17.     this.getMediaImage()
18.   })
19. }

复制代码

获取全部人脸图片

通过文件管理模块fileio和媒体库管理mediaLibrary，获取指定应用数据目录下全部的图片信息，并将路径赋值给faceList，faceList数据用于Image组件提供url举行加载图片

1. // 获取所有图片
2. async getMediaImage(){
3.   let context = featureAbility.getContext();
4.   // 获取本地应用沙箱路径
5.   let localPath = await context.getOrCreateLocalDir()
6.   CommonLog.info(TAG, `localPath:${localPath}`)
7.   let facePath = localPath + "/files"
8.   // 获取所有照片
9.   this.faceList = await FileUtil.getImagePath(facePath)
10. }

复制代码

设置人脸模子

获取选中的人脸图片地点和输入的名字，调用SeetafaceApp.FaceSearchRegister(params)举行设置人脸模子。其中参数params由name名字、image图片地点集合和sum图片数量组成。

1. async submit(name) {
2.     if (!name || name.length == 0) {
3.         CommonLog.info(TAG, 'name is empty')
4.         return
5.     }
6.     let selectArr = this.faceList.filter(item => item.isSelect)
7.     if (selectArr.length == 0) {
8.         CommonLog.info(TAG, 'faceList is empty')
9.         return
10.     }
11.     // 关闭弹窗
12.     this.dialogController.close()
13.     try {
14.         let urls = []
15.         let files = []
16.         selectArr.forEach(item => {
17.             let source = item.url.replace('file://', '')
18.             CommonLog.info(TAG, `source:${source}`)
19.             urls.push(item.url)
20.             files.push(source)
21.         })
24.         // 设置人脸识别模型参数
25.         let params = {
26.             name: name,
27.             image: files,
28.             sum: files.length
29.         }
30.         CommonLog.info(TAG, 'FaceSearchRegister' + JSON.stringify(params))
31.         let res = SeetafaceApp.FaceSearchRegister(params)
32.         CommonLog.info(TAG, 'FaceSearchRegister res ' + res)
33.         // 保存已设置的人脸模型到轻量存储
34.         let data = {
35.             name:name,
36.             urls:urls
37.         }
38.         let modelStr = await StorageUtils.getModel()
39.         let modelList = JSON.parse(modelStr)
40.         modelList.push(data)
41.         StorageUtils.setModel(modelList)
42.         router.back()
43.     } catch (err) {
44.         CommonLog.error(TAG, 'submit fail ' + err)
45.     }
46. }

复制代码

实现框选人脸

调用SeetafaceApp.GetRecognizePoints传入当前图片地点，获取到人脸左上和右下坐标，再通过CanvasRenderingContext2D对象绘画出人脸框。
实现人脸识别

调用SeetafaceApp.FaceSearchGetRecognize(url)，传入图片地点对人脸举行识别并返回对应识别出来的名字。

1. // 人脸识别
2. recognize(){
3.     SeetafaceApp.FaceSearchGetRecognize(this.url).then(res=>{
4.         CommonLog.info(TAG,'recognize suceess' + JSON.stringify(res))
5.         if(res && res != 'ignored' && res != "recognize failed" && res != 'recognize error 1!'){
6.             // 赋值识别到的人物模型
7.             this.name = res
8.         }else{
9.             this.name = '未识别到该模型'
10.         }
11.     }).catch(err=>{
12.         CommonLog.error(TAG,'recognize' + err)
13.         this.name = '未识别到该模型'
14.     })
15. }

复制代码

​
最后呢，很多开发朋侪不知道必要学习那些鸿蒙技能？鸿蒙开发岗位必要掌握那些核心技能点？为此鸿蒙的开发学习必须要系统性的举行。
而网上有关鸿蒙的开发资料非常的少，假如你想学好鸿蒙的应用开发与系统底层开发。你可以参考这份资料，少走很多弯路，节省没必要的麻烦。由两位前阿里高级研发工程师团结打造的《鸿蒙NEXT星河版OpenHarmony开发文档》里面内容包含了（ArkTS、ArkUI开发组件、Stage模子、多端部署、分布式应用开发、音频、视频、WebGL、OpenHarmony多媒体技能、Napi组件、OpenHarmony内核、Harmony南向开发、鸿蒙项目实战等等）鸿蒙（Harmony NEXT）技能知识点
如果你是一名Android、Java、前端等等开发人员，想要转入鸿蒙方向发展。可以直接领取这份资料辅助你的学习。下面是鸿蒙开发的学习路线图。
​​​​

高清完备版请点击→《鸿蒙NEXT星河版开发学习文档》
针对鸿蒙发展路线打造的鸿蒙学习文档。话不多说，我们直接看详细资料鸿蒙（OpenHarmony ）学习手册（共计1236页）与鸿蒙（OpenHarmony ）开发入门讲授视频，帮助大家在技能的门路上更进一步。
《鸿蒙 (OpenHarmony)开发学习视频》
《鸿蒙生态应用开发V2.0白皮书》
《鸿蒙 (OpenHarmony)开发基础到实战手册》
《鸿蒙开发基础》
《鸿蒙开发进阶》
《鸿蒙开发实战》

获取这份鸿蒙星河版学习资料，请点击→《鸿蒙NEXT星河版开发学习文档》
总结

鸿蒙—作为国家主力推送的国产操纵系统。部分的高校已经取消了安卓课程，从而开设鸿蒙课程；企业纷纷跟进启动了鸿蒙研发。
并且鸿蒙是完全具备无与伦比的机会和潜力的；预计到年底将有 5,000 款的应用完成原生鸿蒙开发，未来将会支持 50 万款的应用。那么这么多的应用必要开发，也就意味着必要有更多的鸿蒙人才。鸿蒙开发工程师也将会迎来发作式的增长，学习鸿蒙势在必行！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。