如何在OpenHarmony上使用SeetaFace2人脸识别库？

鸣涧

如何在OpenHarmony上使用SeetaFace2人脸识别库？

简介

相信大部分同学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标准设备上基于SeetaFace2和OpenCV实现人脸识别。

项目效果

本项目实现了导入人脸模型、人脸框选和人脸识别三大功能，操作流程如下：

1. 录入页面点击右下角按钮，跳转拍摄页面进行拍照；

2. 选择一张或多张人脸作为训练模型，并设置对应的名字；

3. 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；

4. 最后点击识别，应用会对当前图片进行匹配，最终在界面中显示识别结果。

快速上手

设备端开发

设备端通过OpenCV对图像进行处理并通过Seetaface2对图形数据进行人脸头像的识别，最终输出对应的NAPI接口提供给应用端调用。因此设备端开发主要涉及到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计算机视觉库。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，我们只需要以下几个步骤就可以实现OpenCV的移植使用。

1. 通过以下命令下载已经移植好的OpenCV

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

2. 将OpenCV拷贝到OpenHarmony目录的third_party下

cp -raf opencv ~/openharmony/third_party/

3. 适当裁剪编译选项

打开OpenCV目录下的BUILD.gn，如下：

不需要video以及flann功能，将对应的模块注释即可。

import("//build/ohos.gni")

group("opencv") {

    deps = [

        "//third_party/opencv/modules/corepencv_core",

      //  "//third_party/opencv/modules/flannpencv_flann",

        "//third_party/opencv/modules/imgprocpencv_imgproc",

        "//third_party/opencv/modules/mlpencv_ml",

        "//third_party/opencv/modules/photopencv_photo",

        "//third_party/opencv/modules/dnnpencv_dnn",

        "//third_party/opencv/modules/features2dpencv_features2d",

        "//third_party/opencv/modules/imgcodecspencv_imgcodecs",

        "//third_party/opencv/modules/videoiopencv_videoio",

        "//third_party/opencv/modules/calib3dpencv_calib3d",

        "//third_party/opencv/modules/highgui:opencv_highgui",

        "//third_party/opencv/modules/objdetect:opencv_objdetect",

        "//third_party/opencv/modules/stitching:opencv_stitching",

        "//third_party/opencv/modules/ts:opencv_ts",

     //   "//third_party/opencv/modules/video:opencv_video",

       "//third_party/opencv/modules/gapi:opencv_gapi",

}

4. 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，所以我们需要在对应模块中的BUILD.gn中加上part_name="SeetafaceApi"

以module/core为例：

ohos_shared_library("opencv_core"){

sources = [ ... ]

configs = [  ... ]

deps = [ ... ]

part_name = "SeetafaceApi"

}

5. 编译工程需要添加OpenCV的依赖。

在生成NAPI的BUILD.gn中添加以下依赖：

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

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。包括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以及人脸特征提取与比对模块 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接口如何实现OpenCV以及SeetaFace的调用。

1. 人脸框获取的NAPI接口的实现。

int GetRecognizePoints(const char *image_path)；

此接口主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分析获得图片中所有的人脸矩形框（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。

人脸框矩形获取的主要代码如下：

static int RecognizePoint(string image_path, FaceRect *rect, int num)

{

    if (rect == nullptr) {

        cerr << "NULL POINT!" << endl;

        LOGE("NULL POINT! \n");

        return -1;

    }

    seeta::ModelSetting:evice device = seeta::ModelSetting::CPU;

    int id = 0;

    /* 设置人脸识别模型。*/

    seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );

    seeta::ModelSetting FL_model( "/system/usr/model/pd_2_00_pts81.dat", device, id );

    seeta::FaceDetector FD(FD_model);

    seeta::FaceLandmarker FL(FL_model);

    FD.set(seeta::FaceDetector:ROPERTY_VIDEO_STABLE, 1);

    /* 读取图片数据 */

    auto frame = imread(image_path);

    seeta::cv::ImageData simage = frame;

    if (simage.empty()) {

        cerr << "Can not open image: " << image_path << endl;

        LOGE("Can not open image: %{public}s", image_path.c_str());

        return -1;

    }

    /* 图片数据进行人脸识别处理 ，获取所有的人脸框数据对象*/

    auto faces = FD.detect(simage);

    if (faces.size <= 0) {

        cerr << "detect " << image_path << "failed!" << endl;

        LOGE("detect image: %s failed!", image_path.c_str());

        return -1;

    }

    for (int i = 0; (i < faces.size && i < num); i++) {

        /* 将所有人脸框对象数据以坐标形式输出*/

        auto &face = faces.data;

        memcpy(&rect, &(face.pos), sizeof(FaceRect));

    }

    return faces.size;

}

其中FD_model是人脸检测模型，而FL_model是面部关键点定位模型(此模型分为5点定位和81点定位，本项目中使用的是81点定位模型)，这些模型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：

    string image = path;

    p = (FaceRect *)malloc(sizeof(FaceRect) * MAX_FACE_RECT);

    /* 根据图片进行人脸识别并获取人脸框坐标点 */

    int retval = RecognizePoint(image, p, MAX_FACE_RECT);

    if (retval <= napi_ok) {

        LOGE("GetNapiValueString failed!");

        free(p);

        return result;

    }  

    /*将所有坐标点以数组方式返回到应用端*/

    for (int i = 0; i < retval; i++) {

        int arry_int[4] = {p.x, p.y, p.w, p.h};

        int arraySize = (sizeof(arry_int) / sizeof(arry_int[0]));

        for (int j = 0; j < arraySize; j++) {

            napi_value num_val;

            if (napi_create_int32(env, arry_int[j], &num_val) != napi_ok) {

                LOGE("napi_create_int32 failed!");

                return result;

            }

            napi_set_element(env, array, i*arraySize + j, num_val);

        }

    }

    if (napi_create_object(env, &result) != napi_ok) {

        LOGE("napi_create_object failed!");

        free(p);

        return result;

    }

    if (napi_set_named_property(env, result, "recognizeFrame", array) != napi_ok) {

        LOGE("napi_set_named_property failed!");

        free(p);

        return result;

    }

    LOGI("");

    free(p);

    return result;

其中array是通过napi_create_array创建的一个NAPI数组对象，通过 napi_set_element将所有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。

2. 人脸搜索识别初始化与逆初始化。

1. int FaceSearchInit()；

2. int FaceSearchDeinit()；

这2个接口主要是提供给人脸搜索以及识别调用的，初始化主要包含模型的注册以及识别模块的初始化：

static  int FaceSearchInit(FaceSearchInfo *info)

{

    if (info == NULL) {

        info = (FaceSearchInfo *)malloc(sizeof(FaceSearchInfo));

        if (info == nullptr) {

            cerr << "NULL POINT!" << endl;

            return -1;

        }

    }

    seeta::ModelSetting:evice device = seeta::ModelSetting::CPU;

    int id = 0;

    seeta::ModelSetting FD_model( "/system/usr/model/fd_2_00.dat", device, id );

    seeta::ModelSetting PD_model( "/system/usr//model/pd_2_00_pts5.dat", device, id );

    seeta::ModelSetting FR_model( "/system/usr/model/fr_2_10.dat", device, id );

    info->engine = make_shared<seeta::FaceEngine>(FD_model, PD_model, FR_model, 2, 16);

    info->engine->FD.set( seeta::FaceDetector:ROPERTY_MIN_FACE_SIZE, 80);

    info->GalleryIndexMap.clear();

    return 0;

}

而逆初始化就是做一些内存的释放。

static void FaceSearchDeinit(FaceSearchInfo *info, int need_delete)

{

    if (info != nullptr) {

        if (info->engine != nullptr) {

        }

        info->GalleryIndexMap.clear();

        if (need_delete) {

            free(info);

            info = nullptr;

        }

    }

}

3. 人脸搜索识别注册接口的实现。

int FaceSearchRegister(const char *value);

需要注意的是，该接口需要应用端传入一个json数据的参数，主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"

}

}。

而解析参数的时候需要调用 napi_get_named_property对json数据的各个对象进行解析，具体代码如下：

    napi_get_cb_info(env, info, &argc, &argv, &thisVar, &data);

    napi_value object = argv;

    napi_value value = nullptr;

    if (napi_get_named_property(env, object, (const char *)"name", &value) == napi_ok) {

        char name[64] = {0};

        if (GetNapiValueString(env, value, (char *)name, sizeof(name)) < 0) {

            LOGE("GetNapiValueString failed!");

            return result;

        }

        reg_info.name = name;

    }

    LOGI("name = %{public}s", reg_info.name.c_str());

    if (napi_get_named_property(env, object, (const char *)"sum", &value) == napi_ok) {

        if (napi_get_value_uint32(env, value, &sum) != napi_ok) {

            LOGE("napi_get_value_uint32 failed!");

            return result;

        }

    }

    LOGI("sum = %{public}d", sum);

    if (napi_get_named_property(env, object, (const char *)"image", &value) == napi_ok) {

        bool res = false;

        if (napi_is_array(env, value, &res) != napi_ok || res == false) {

            LOGE("napi_is_array failed!");

            return result;

        }

        for (int i = 0; i < sum; i++) {

            char image[256] = {0};

            napi_value imgPath = nullptr;

            if (napi_get_element(env, value, i, &imgPath) != napi_ok) {

                LOGE("napi_get_element failed!");

                return result;

            }

            if (GetNapiValueString(env, imgPath, (char *)image, sizeof(image)) < 0) {

                LOGE("GetNapiValueString failed!");

                return result;

            }

            reg_info.path = image;

            if (FaceSearchRegister(g_FaceSearch, reg_info) != napi_ok) {

                retval = -1;

                break;

            }

        }

    }

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：

static int FaceSearchRegister(FaceSearchInfo &info, RegisterInfo &gegister)

{

    if (info.engine == nullptr) {

        cerr << "NULL POINT!" << endl;

        return -1;

    }

    seeta::cv::ImageData image = cv::imread(gegister.path);

    auto id = info.engine->Register(image);

    if (id >= 0) {

        info.GalleryIndexMap.insert(make_pair(id, gegister.name));

    }

    return 0;

}

注册完数据后，后续可以通过该引擎来识别对应的图片。

4. 获取人脸搜索识别结果接口的实现。

char *FaceSearchGetRecognize(const char *image_path);

该接口实现了通过传入一张图片，在识别引擎中进行搜索识别。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：

    // 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

    napi_value resourceName = nullptr;

    napi_create_string_utf8(env, "FaceSearchGetPersonRecognizeMethod", NAPI_AUTO_LENGTH, &resourceName);

    napi_create_async_work(env, nullptr, resourceName, FaceSearchRecognizeExecuteCB, FaceSearchRecognizeCompleteCB,

            (void *)commandStrData, &commandStrData->asyncWork);

    // 将刚创建的async work加到队列，由底层去调度执行

    napi_queue_async_work(env, commandStrData->asyncWork);

其中FaceSearchRecognizeExecuteCB实现了人脸识别：

static void FaceSearchRecognizeExecuteCB(napi_env env, void *data)

{

    CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);

    if (commandStrData == nullptr) {

        HILOG_ERROR("nullptr point!", __FUNCTION__, __LINE__);

        return;

    }

    FaceSearchInfo faceSearch = *(commandStrData->mFaceSearch);

    commandStrData->result = FaceSearchSearchRecognizer(faceSearch, commandStrData->filename);

    LOGI("Recognize result : %s !", __FUNCTION__, __LINE__, commandStrData->result.c_str());

}

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

static void FaceSearchRecognizeCompleteCB(napi_env env, napi_status status, void *data)

{

    CommandStrData *commandStrData = dynamic_cast<CommandStrData*>((CommandStrData *)data);

    napi_value result;

    if (commandStrData == nullptr || commandStrData->deferred == nullptr) {

        LOGE("nullptr", __FUNCTION__, __LINE__);

        if (commandStrData != nullptr) {

            napi_delete_async_work(env, commandStrData->asyncWork);

            delete commandStrData;

        }

        return;

    }

    const char *result_str = (const char *)commandStrData->result.c_str();

    if (napi_create_string_utf8(env, result_str, strlen(result_str), &result) != napi_ok) {

        LOGE("napi_create_string_utf8 failed!", __FUNCTION__, __LINE__);

        napi_delete_async_work(env, commandStrData->asyncWork);

        delete commandStrData;

        return;

    }

    napi_resolve_deferred(env, commandStrData->deferred, result);

    napi_delete_async_work(env, commandStrData->asyncWork);

    delete commandStrData;

}

通过人脸特征提取与比对模块，对传入的数据与已注册的数据进行对比，并通过返回对比的相似度来进行判断当前人脸是否为可识别的，最后返回识别结果。具体实现代码：

static string FaceSearchSearchRecognizer(FaceSearchInfo &info, string filename)

{

    if (info.engine == nullptr) {

        cerr << "NULL POINT!" << endl;

        return "recognize error 0";

    }

    string name;

    float threshold = 0.7f;

    seeta:ualityAssessor QA;

    auto frame = cv::imread(filename);

    if (frame.empty()) {

        LOGE("read image %{public}s failed!", filename.c_str());

        return "recognize error 1!";

    }

    seeta::cv::ImageData image = frame;

    std::vector<SeetaFaceInfo> faces = info.engine->DetectFaces(image);

    for (SeetaFaceInfo &face : faces) {

        int64_t index = 0;

        float similarity = 0;

        auto points = info.engine->DetectPoints(image, face);

        auto score = QA.evaluate(image, face.pos, points.data());

        if (score == 0) {

            name = "ignored";

        } else {

            auto queried = info.engine->QueryTop(image, points.data(), 1, &index, &similarity);

            // no face queried from database

            if (queried < 1) continue;

                // similarity greater than threshold, means recognized

            if( similarity > threshold ) {

                name = info.GalleryIndexMap[index];

            }

        }

    }

    LOGI("name : %{public}s \n", name.length() > 0 ? name.c_str() : "null");

    return name.length() > 0 ? name : "recognize failed";

}

至此，所有的NAPI接口已经开发完成。
5. NAPI库编译开发完NAPI接口后，我们需要将我们编写的库加入到系统中进行编译，我们需要添加一个自己的子系统。

首先在库目录下新建一个ohos.build文件并添加以下代码：

{

    "subsystem": "SeetafaceApp",

    "parts": {

        "SeetafaceApi": {

            "module_list": [

               "//seetaface:seetafaceapp_napi"

            ],

            "test_list": [ ]

        }

    }

}

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：

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" ]

    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"

}

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

  "SeetafaceApp": {

    "path": "seetaface",

    "name": "SeetafaceApp"

  }

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：

"SeetafaceApp:SeetafaceApi":{}

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：

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

参考RK3568快速上手-镜像烧录完成烧录即可。

应用端开发

在完成设备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

1. 下载DevEco Studio 3.0 Beta4；

2. 搭建开发环境，参考开发准备；

3. 了解属性eTS开发，参考eTS语言快速入门；

SeetaFace2初始化

1. 首先将SeetaFace2 NAPI接口声明文件放置于SDK目录/api下；

2. 然后导入SeetaFace2 NAPI模块；ck-start/star

3. 调用初始化接口；

// 首页实例创建后

async aboutToAppear() {

  await StorageUtils.clearModel();

  CommonLog.info(TAG,'aboutToAppear')

  // 初始化人脸识别

  let res = SeetafaceApp.FaceSearchInit()

  CommonLog.info(TAG,`FaceSearchInit res=${res}`)

  this.requestPermissions()

}

// 请求权限

requestPermissions(){

  CommonLog.info(TAG,'requestPermissions')

  let context = featureAbility.getContext()

  context.requestPermissionsFromUser(PERMISSIONS, 666,(res)=>{

    this.getMediaImage()

  })

}

获取所有人脸图片

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所有的图片信息，并将路径赋值给faceList，faceList数据用于Image组件提供url进行加载图片。

// 获取所有图片

async getMediaImage(){

  let context = featureAbility.getContext();

  // 获取本地应用沙箱路径

  let localPath = await context.getOrCreateLocalDir()

  CommonLog.info(TAG, `localPath{localPath}`)

  let facePath = localPath + "/files"

  // 获取所有照片

  this.faceList = await FileUtil.getImagePath(facePath)

}

设置人脸模型

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

async submit(name) {

    if (!name || name.length == 0) {

        CommonLog.info(TAG, 'name is empty')

        return

    }

    let selectArr = this.faceList.filter(item => item.isSelect)

    if (selectArr.length == 0) {

        CommonLog.info(TAG, 'faceList is empty')

        return

    }

    // 关闭弹窗

    this.dialogController.close()

    try {

        let urls = []

        let files = []

        selectArr.forEach(item => {

            let source = item.url.replace('file://', '')

            CommonLog.info(TAG, `source{source}`)

            urls.push(item.url)

            files.push(source)

        })

        // 设置人脸识别模型参数

        let params = {

            name: name,

            image: files,

            sum: files.length

        }

        CommonLog.info(TAG, 'FaceSearchRegister' + JSON.stringify(params))

        let res = SeetafaceApp.FaceSearchRegister(params)

        CommonLog.info(TAG, 'FaceSearchRegister res ' + res)

        // 保存已设置的人脸模型到轻量存储

        let data = {

            name:name,

            urls:urls

        }

        let modelStr = await StorageUtils.getModel()

        let modelList = JSON.parse(modelStr)

        modelList.push(data)

        StorageUtils.setModel(modelList)

        router.back()

    } catch (err) {

        CommonLog.error(TAG, 'submit fail ' + err)

    }

}

实现框选人脸

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

// 框选当前人脸

select(){

    try{

        CommonLog.info(TAG,`select start`)

        // 获取人脸左上和右下坐标

        let res = SeetafaceApp.GetRecognizePoints(this.url)

        CommonLog.info(TAG,`select start1` + JSON.stringify(res))

        let points = res.recognizeFrame as Array<number>

        CommonLog.info(TAG,`select success ${JSON.stringify(res)}`)

        let faceNumber = Math.floor(points.length/4)

        // 框选出所有人脸

        this.context.lineWidth = 5

        this.context.strokeStyle = Color.Yellow.toString()

        for (let index = 0; index < faceNumber; index++) {

            let baseNumber = 4 * index

            this.context.strokeRect(points[baseNumber],points[1 + baseNumber],points[2 + baseNumber],points[3 + baseNumber])

            this.context.save()

        }

        CommonLog.info(TAG,`strokeRect success `)

    }catch(err){

        CommonLog.error(TAG,`select fail ${JSON.stringify(err)}`)

    }

}

实现人脸识别

调用SeetafaceApp.FaceSearchGetRecognize(url)，传入图片地址对人脸进行识别并返回对应识别出来的名字。

// 人脸识别

recognize(){

    SeetafaceApp.FaceSearchGetRecognize(this.url).then(res=>{

        CommonLog.info(TAG,'recognize suceess' + JSON.stringify(res))

        if(res && res != 'ignored' && res != "recognize failed" && res != 'recognize error 1!'){

            // 赋值识别到的人物模型

            this.name = res

        }else{

            this.name = '未识别到该模型'

        }

    }).catch(err=>{

        CommonLog.error(TAG,'recognize' + err)

        this.name = '未识别到该模型'

    })

}

参考文档

SeetaFace2移植开发文档：

https://gitee.com/openharmony-sig/knowledge_demo_smart_home/blob/master/docs/SeetaFace2/%E4%BA%BA%E8%84%B8%E8%AF%86%E5%88%AB%E5%BA%93%E7%9A%84%E7%A7%BB%E6%A4%8D.md

OpenHarmony中napi的开发视频教程：

https://www.bilibili.com/video/BV1L44y1p7KE?spm_id_from=333.999.0.0

RK3568快速上手：

https://growing.openharmony.cn/mainPlay/learnPathMaps?id=27

人脸识别应用：

https://gitee.com/openharmony-sig/knowledge_demo_travel/blob/master/docs/FaceRecognition_ETS/README_zh.md

应用开发准备：

https://docs.openharmony.cn/pages/v3.2Beta/zh-cn/application-dev/quick-start/start-overview.md/

eTS语言快速入门：

https://docs.openharmony.cn/pages/v3.2Beta/zh-cn/application-dev/quick-start/start-with-ets.md/

知识体系工作组：

https://gitee.com/openharmony-sig/knowledge