代码链接：

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，

android:orientation="vertical" android:layout_width="fill_parent" android:layout_height="fill_parent"> android:orientation="horizontal" android:layout_width="fill_parent" android:layout_height="wrap_content"> android:id="@+id/buttonImage" android:layout_width="wrap_content" android:layout_height="wrap_content" android:text="选图" /> android:id="@+id/buttonDetect" android:layout_width="wrap_content" android:layout_height="wrap_content" android:text="检测" /> android:id="@+id/infoResult" android:layout_width="fill_parent" android:layout_height="wrap_content" android:text="" /> android:id="@+id/imageView" android:layout_width="fill_parent" android:layout_height="fill_parent" android:layout_weight="1" />

(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：