2. 鲁班猫监控检测¶

本章将简单介绍一个摄像头监控检测示例，用户在浏览器上登录监控页面，登录后点击按钮可以进行视频录制和目标检测。 web程序采用的是基于python的flask框架，实现流媒体直播，图像是通过opencv调用摄像头获取，对图片检测处理使用npu。

测试平台：lubancat 2
板卡系统：Debian10 （带桌面）
Python版本：Python3.7
opencv版本：4.7.0.68
Toolkit Lite2：1.4.0
Flask：1.0.2

2.1. 依赖工具及库安装¶

实验测试使用lubancat 2，系统是Debian10，一些工具和库的安装（一些工具系统已经安装就不执行）：

# 安装工具
sudo apt update
sudo apt -y install git wget

# 安装python相关库等，默认使用python3
sudo apt -y install python3-flask python3-pil python3-numpy python3-pip

# 安装opencv-python相关库，测试是使用4.7.0.68版本，或者其他版本
sudo pip3 install opencv-contrib-python

# 安装rknn-toolkit-lite2，参考前面NPU使用章节

2.2. 视频流服务器和摄像头获取帧¶

2.2.1. 部署视频流服务器¶

在这个示例中，将使用Flask应用框架，构建一个web页面，一个实时视频流服务器。

提示

flask库简单使用可以参考前面教程，或者 Flask 官方文档。

Flask通过 /video_viewer 路由返回一个入参为生成器的Response对象。Flask将会负责调用生成器，进入循环，持续地将摄像头中获取的帧数据作为响应块返回，并把所有部分的结果以块的形式发送给客户端。

示例程序lubancat-flask-opencv-rknn/controller/modules/home/views.py¶

from flask import session, render_template, request, redirect, url_for, Response, jsonify
# 导入登录页面等
from controller.modules.home import home_blu
# 导入VideoCamera类，用于获取摄像头帧或者检测后的帧流等
from controller.utils.camera import VideoCamera
import time

video_camera = None
global_frame = None

# 主页
@home_blu.route('/')
def index():
    # 模板渲染
    username = session.get("username")
    if not username:
        return redirect(url_for("user.login"))
    return render_template("index.html")


# 获取视频流
def video_stream():
    global video_camera
    global global_frame

    if video_camera is None:
        video_camera = VideoCamera()

    while True:
        # 获取一系列单独的JPEG图片
        frame = video_camera.get_frame()
        time.sleep(0.01)
        if frame is not None:
            global_frame = frame
            yield (b'--frame\r\n'
                b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n\r\n')
        else:
            yield (b'--frame\r\n'
                b'Content-Type: image/jpeg\r\n\r\n' + global_frame + b'\r\n\r\n')

# 视频流
@home_blu.route('/video_viewer')
def video_viewer():
    # 模板渲染
    username = session.get("username")
    if not username:
        return redirect(url_for("user.login"))
    # 返回生成器的Response对象，multipart/x-mixed-replace类型，边界字符串为frame
    return Response(video_stream(),
                    mimetype='multipart/x-mixed-replace; boundary=frame')

在index.html这个简单的 HTML 页面中，其中的一个图片标签 <img id="video" src="{{ url_for('home.video_viewer') }}">，将使用 url_for 指向路由 /video_viewer，浏览器会自动显示流中的图片，从而保持更新图片元素:

示例程序lubancat-flask-opencv-rknn/controller/templates/index.html(部分)¶

<body>
<h1 align="center" style="color: whitesmoke;">Flask+OpenCV+Rknn</h1>
<div class="top">
    <div class="recorder" id="recorder" align="center">
        <button id="record" class="btn">录制视频</button>
        <button id="stop" class="btn">暂停录制</button>
        <button id="process" class="btn">开启检测</button>
        <button id="pause" class="btn">暂停检测</button>
        <input type="button" class="btn" value="退出登录"
            onclick="javascrtpt:window.location.href='{{ url_for('user.logout') }}'">
        <a id="download"></a>
        <script type="text/javascript" src="{{ url_for('static', filename='button_process.js') }}"></script>
    </div>
</div>
<img id="video" src="{{ url_for('home.video_viewer') }}">
</body>

2.2.2. 摄像头中获取帧¶

从摄像头获取帧，通过导入封装好的VideoCamera类：

示例程序lubancat-flask-opencv-rknn/controller/utils/camera.py(有省略)¶

class VideoCamera(object):
    def __init__(self):
        # 使用opencv，打开系统默认摄像头
        self.cap = cv2.VideoCapture(0)
        if not self.cap.isOpened():
            raise RuntimeError('Could not open camera.')

        # 创建RKNNLite对象
        self.rknn_lite = RKNNLite()

        # 设置帧宽和高度
        self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
        self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 640)
        # ...............

    # 退出程序释放资源
    def __del__(self):
        self.cap.release()
        self.rknn_lite.release()

    # 摄像头获取帧
    def get_frame(self):
        ret, self.frame = self.cap.read()

        if ret:
            # 图像检测处理
            if self.is_process:
                #self.image = cv2.cvtColor(self.frame, cv2.COLOR_BGR2RGB)
                self.image = cv2.cvtColor(self.frame, cv2.COLOR_BGR2RGB)
                self.outputs = self.rknn_lite.inference(inputs=[self.image])
                self.frame = process_image(self.image, self.outputs)
                #self.rknn_frame = process_image(self.image, self.outputs)
                #ret, image = cv2.imencode('.jpg', self.rknn_frame)
                #return image.tobytes()

            if self.frame is not None:
                # 图像编码压缩
                ret, image = cv2.imencode('.jpg', self.frame)
                # 将图像作为一个字节对象返回
                return image.tobytes()
        else:
            return None
    # ...............

2.3. NPU处理图像¶

使用NPU进行图像检测处理，本示例没有额外训练模型，直接使用官方Toolkit Lite2工具中的examples/onnx/yolov5例程，仅供实验演示用。在板卡系统上使用RKNN Toolkit Lite2部署RKNN模型。

提示

板卡上RKNN Toolkit Lite2安装使用，可以参考前面教程，或者 RK官方github文档。

示例程序处理流程：

截取于鲁班猫监控检测示例程序¶

# 创建RKNNLite对象
self.rknn_lite = RKNNLite()

#...................

def load_rknn(self):
    # 导入RKNN模型
    print('--> Load RKNN model')
    ret = self.rknn_lite.load_rknn(RKNN_MODEL)
    if ret != 0:
        print('Load RKNN model failed')
        exit(ret)
    # 调用init_runtime接口，初始化运行环境
    print('--> Init runtime environment')
    ret = self.rknn_lite.init_runtime()
    if ret != 0:
        print('Init runtime environment failed!')
        exit(ret)

#...................

# 对摄像头获取的图片进行处理，设置图片大小
self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 640)

#转换成RGB格式
self.image = cv2.cvtColor(self.frame, cv2.COLOR_BGR2RGB)

# 调用inference接口，对图片进行检测推理，返回结果
self.outputs = self.rknn_lite.inference(inputs=[self.image])

#根据npu处理结果，对图像进行后处理，返回处理后的图像
self.frame = process_image(self.image, self.outputs)

# 退出程序释放资源
def __del__(self):
    self.cap.release()
    # 用release接口，释放RKNNLite对象
    self.rknn_lite.release()

不用npu加速处理，图像检测识别处理可以直接使用opencv，感兴趣的同学可以自行研究代码，添加数据集训练，或者更换其他模型进行实验。使用opencv库进行图像处理、数字识别功能在实验代码目录： controller/utils/opencvtest.py 中。

2.4. 适配具体环境¶

拉取实验代码：

# 在终端中输入如下命令,使用main分支：
git clone -b main https://gitee.com/LubanCat/lubancat-flask-opencv-rknn.git

修改服务器监听的IP及端口，大家根据实际情况修改：

# 进入 lubancat-flask-opencv-rknn 目录
cd ./lubancat-flask-opencv-rknn

# 修改 main.py 文件中的启动函数参数
vim main.py

# 默认设置为host="0.0.0.0"，就是默认网口的ip
app.run(threaded=True, host="0.0.0.0", port=5000)

# 根据板卡环境，设置具体的ip
app.run(threaded=True, host="192.168.103.121",port=5000)
# 现在服务器监听的ip地址为192.168.103.121、端口为5000.

教程测试使用的是ov5648，mipi csi接口。实际使用需要确认下摄像头编号（一般是/dev/video0）：

1、先确定摄像头编号：

# 进入Python3终端：
python3

# 导入opencv库包
import cv2

# 输入如下命令：
cap = cv2.VideoCapture(0)
cap.isOpened()
# 如窗口中打印出了True，则此设备编号可用。

# 确定编号后，释放摄像头资源
cap.release()

若出现任何报错，请将摄像头编号依次递增尝试，找到可用的设备编号。编号递增上限为video设备的数量，可使用 ls /dev/video* 命令查看。

2、修改实验代码，以适配自己的摄像头：

# 在终端中输入如下命令：
# 在lubancat-flask-opencv-rknn目录下进入opencv操作摄像头的代码目录中：
cd ./controller/utils/

# 修改 camera.py 文件中的 VideoCamera(object)函数：
vim camera.py

# 将 self.cap = cv2.VideoCapture(0) 语句中的函数参数0修改为你摄像头对应的设备编号，或者设备文件("/dev/video0")
self.cap = cv2.VideoCapture(0)

2.5. 测试实验¶

按照上一小节中的教程内容修改后，我们就可用运行实验代码来查看实验现象。

# 在工程代码目录lubancat-flask-opencv-rknn中，执行以下命令：
sudo python3 main.py

可用查看到如下实验现象：

程序打印的提示信息，告诉我们服务器以及开始监听 http://0.0.0.0:5000 的地址，系统的默认网口ip。如若想退出程序，按下 CTRL+C 。

这里通过在浏览器中输入网址： http://192.168.103.121:5000 ，来观察一下实验现象。

实验现象如图：

登录完成后，进入到监控界面，点击 开启检测 进入到检测状态。

一帧图像获取时间测试

通过python的time模块计算程序运行时间，来简单测试获取一帧图像需要的时间，以及经过npu处理后所需的时间。在程序中加上运行时间计算：

controller/modules/home/views.py¶

# 获取视频流
def video_stream():
    global video_camera
    global global_frame

    if video_camera is None:
        video_camera = VideoCamera()

    while True:
        start_time = time.time()
        frame = video_camera.get_frame()
        end_time = time.time()
        print('get_frame cost %f second' % (end_time - start_time))
        #time.sleep(0.01)
        if frame is not None:
            global_frame = frame
            yield (b'--frame\r\n'
                b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n\r\n')
        else:
            yield (b'--frame\r\n'
                b'Content-Type: image/jpeg\r\n\r\n' + global_frame + b'\r\n\r\n')

测试使用的是lubancat 2 ，鲁班猫监控检测示例程序，使用debian10系统，默认系统配置，使用Toolkit Lite2工具中yolov5例程模型，下面测试数据仅供参考。

在不开启npu检测图像的情况下，正常运行程序，一帧图像大约需要65ms，其中出现最快是23ms，最慢是121ms

开启npu处理图像，NPU默认600Mhz，运行：获取一帧图像大约需要345ms（包括获取摄像头图片，预处理图片，npu处理图片，图片后处理画框等时间）

设置NPU频率900Mhz测试：获取一帧图像大约需要314ms

# lubancat2  npu设置900Mhz：
echo 900000000 > /sys/class/devfreq/fde40000.npu/userspace/set_freq

鲁班猫监控检测示例，实现了简单的监控显示和目标检测功能，效果不是最优的，仅用于学习参考。

2.6. 参考链接¶

https://github.com/miguelgrinberg/flask-video-streaming

https://gitee.com/Embedfire/flask-video-streaming-recorder

https://github.com/rockchip-linux/rknn-toolkit2