EEPW论坛

首先我们了解下android系统常用的图像识别框架

旷视的图像识别及OCR文字识别库，及其他厂家如阿里，百度，华为，腾讯的OCR文字识别库等。

一）：tensorflow 训练自定义图像并识别

1.是先在ubuntu上对很多图片进行训练得到自己的类别模型文件，xxx.pb文件及xxx_labels.txt文件

2.把上一步生成的文件放到Android studio（AS）工程里

3.AS添加tensorflow依赖

4.在tensorflow 给的android 工程上做改动，写出自己的工程

5.运行工程开始识别。

要在 android 上使用 tensorflow ，官方提供两种方式工程：

一）tensorflow for mobile,成熟，功能方法多

只需配置buildgradle,调用tensorflow相关接口进行识别

2) tensorflow lite.轻量，允许设备端的机器学习模型的低延迟推断

下载移动端的模型model和标签labels文件并解压到assert下，导入tensorflow项目，调用tensorflow相关接口进行识别

注意此种方法不能直接使用tensorflow的模型，需要对模型进行转换。

二）： opencv训练自定义图像并识别

1.配置AS中opencv的环境，下载并配置opencv的sdk

2.在windows上用opencv工具训练自定义图像数据集

3.将训练好的数据集加载到AS

4.编写自己的android 工程

5.运行android 工程进行识别

三）： tensorflow 训练自定义图像，实时处理openCV获取的摄像头图像（openCV对图像进行分割）并识别（https://blog.csdn.net/qq_33200967/article/details/82773677）

此方法与单独使用tensorflow的区别是使用了opencv中的图像分割，将所有分割物体进行识别

四）其他：

另外有些开源的图像识别方法，Tesseract（支持OCR文字识别）等，可以将其加入android并进行识别。

OK3399-C 平台 android 系统的图像识别实现

OK3399的android图像识别实现是使用tensorflow在ubuntu上训练自定义图像，用tensorflow lite在android上进行的识别，识别部分使用了 rk3399 内部的 mali400 gpu。

关于模型

首先，我们有训练好的tensorflow模型文件：xxx.pb。

其次，将模型文件进行转换，先转换成tensorflow lite支持的xxx.tflite模型文件，然后转换成 rk3399 的 SSD （ Single Shot MultiBox Detector ）支持的xxx.rkl模型文件。

然后，把此转换后的模型文件加入android 工程。

此android例程的基本实现为：

打开camera的预览，同时创建一个跟踪线程。跟踪线程不断的检测是否有可用的图片，一旦有可用图片就调用识别api进行识别，识别函数会返回识别目标的位置及类型，然后得到物体在图片中的范围，并绘制出来。

此例程除java实现的部分外，还涉及到三个库：librkssd4j.so，librga.so和librkssd.so。

以下是三个库的介绍。

librkssd4j.so

调用说明：由android 例程直接调用的库。

源码位置： rk_ssd_demo_rk3399\app\src\main\cpp

作用：调用librga.so对于图像进行格式转换或翻转及压缩，然后调用librkssd.so进行识别。

librga.so

调用说明：被librkssd4j.so加载

源码位置： OK3399-android7-source/hardware/rockchip/librga/

作用：用来判断平台是否支持rga，及做yuv转rgb处理，rga主要对图片数据进行一些格式转换，翻转，缩放等运算。

librkssd.so

调用说明：被librkssd4j.so加载

作用：对图片进行识别。其使用了rk3399内部的Mali400 gpu。

以下为运行效果：

参考资料：

瑞芯微原厂资料RKDocs/rk3399/RK3399_SSD_Android&Linux_V1.0_20180522.pdf

https://github.com/tesseract-ocr/tesseract.git

https://github.com/tensorflow/tensorflow.git