从服务器端获取人脸数据，在本地检测特征，并将特征发送给服务器

目录

1.定义函数get_database_process：        

2.定义函数features_construct：

3.定义函数send_features_data：

4. 定义函数database_features_construct：

5. main 函数

---

1.定义函数get_database_process：        

        首先，发送一条消息，告知服务器端要进行人脸数据库特征构建

message_to_send = {'message': 'get_database_face', 'data': 0}

        然后就等待接收 服务端发送的数据，并将数据存储在多进程队列result_queue 中，等待检测函数获取。

        接收数据格式：

{”name“: 姓名, "image": 图片}

def receive_send(client_socket, result_queue):
    """
    接收服务器端 receive_data信息，若成功接收则发送success 否则发送 failure
    并将信息存储在result_queue 中
    Args:
        client_socket:
    """
    receive_data = client_socket.recv(4096000)
    receive_data = receive_data.decode('utf-8')
    if len(receive_data):
        feedback_data = 'success'
        client_socket.sendall(feedback_data.encode('utf-8'))
        result_queue.put(receive_data)
    else:
        feedback_data = 'failure'
        client_socket.sendall(feedback_data.encode('utf-8'))

def get_database(client_socket, result_queue):
    """
     从服务器端接收数据(姓名，图片)  {”name“: 姓名, "image": 图片}
     放在result_queue队列中，然后让本地模型检测特征 用于人脸数据库的构建
    Args:
        client_socket:
        result_queue:
    """
    message_to_send = {'message': 'get_database_face', 'data': 0}
    send_receive(client_socket, message_to_send)
    while True:
        receive_send(client_socket, result_queue)

2.定义函数features_construct：

        从 result_queue 队列中取出，从服务器获取的人脸数据库信息(姓名，图片) {”name“: 姓名, "image": 图片}

        然后 将数据 进行 字节序列解码为字符串的操作，

        再将 JSON 格式的字符串转换为 Python 对象 词典，

        然后提取，姓名，人脸图片

        然后将经过Base64编码的图像数据解码，并使用OpenCV库将解码后的字节数据转换为NumPy数组，以便在Python中进行图像处理和分析

        使用app.get 检测人脸特征 并存放在 result_queue1 以待发送

        存放在 result_queue1 队列的 数据格式为词典形式

       {”name“: 姓名, "feature": 人脸特征}

        姓名：str

        人脸特征：[ 1,2,3..............]

def features_construct(app, result_queue, result_queue1):
    """
    从 result_queue 队列中取出，从服务器获取的人脸数据库信息(姓名，图片)  {”name“: 姓名, "image": 图片}
    使用app.get 检测人脸特征 并存放如result_queue1 以待发送
    发送数据格式  {”name“: 姓名, "feature": 人脸特征}
    Args:
        app:
        result_queue:
        result_queue1:
    """
    while True:
        while not result_queue.empty():
            face_data = result_queue.get()
            face_data = json.loads(face_data.decode('utf-8'))
            name = face_data['name']
            image = face_data['image']
            # 解码图像
            img_bytes = base64.b64decode(image)
            # 将字节数据转换为NumPy数组
            image = cv2.imdecode(np.frombuffer(img_bytes, np.uint8), cv2.IMREAD_COLOR)
            features = []
            data_dict = {}
            for i in range(image):
                img = image[i]
                face_all = app.get(img)
                for face_single in face_all:  # 遍历每个人脸
                    features.append(face_single.normed_embedding)  # 将人脸的嵌入特征加入features列表
            feature = mean_feature_fusion(features)
            data_dict['name'] = name
            data_dict['feature'] = feature
            result_queue1.put(data_dict)

3.定义函数send_features_data：

       从多进程队列result_queue1 中 读取数据 feature_data,

        添加消息头message:feature

        数据格式：

{'message': 'feature', "name": '姓名', 'feature': "人脸特征"}

        将词典数据 转换为JSON格式的字符串

        然后对字符串进行UTF-8编码 进行传输

def send_features_data(client_socket, result_queue1):
    """
    进行数据发送，将多进程队列result_queue1 中 数据读取并发送回服务器端  ：人脸数据可特征构建
    人脸特征数据（姓名，特征数据）
    Args:
        client_socket:
        result_queue: 多进程队列
    """
    while True:
        while not result_queue1.empty():
            feature_data = result_queue1.get()
            feature_data['message'] = 'feature'
            json_data = json.dumps(feature_data)
            send_receive(client_socket, json_data)

def send_receive(client_socket, data):
    """
    发送数据 data,并接收服务器端  feedback信息
    Args:
        client_socket:
        data: 要发送的数据
    """
    client_socket.sendall(data.encode('utf-8'))
    feedback_data = client_socket.recv(1024)
    feedback_data = feedback_data.decode('utf-8')
    print("已发送数据，对方已接收，反馈信息为：", feedback_data)

4. 定义函数database_features_construct：

        使用多进程 将上述函数串联起来

def database_features_construct(app, result_queue, result_queue1):
    # 服务器地址和端口
    server_address = ('192.168.2.4', 12345)
 
    # 创建一个TCP socket
    client_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
 
    # 连接到服务器
    client_socket.connect(server_address)
    print(f"Connected to server at {server_address}")
 
    # 发送消息给服务器
    message_to_send = "Hello, server! This is the client."
    client_socket.send(message_to_send.encode('utf-8'))
 
    # 接收服务器消息
    data = client_socket.recv(1024)
    print(f"Received data from server: {data.decode('utf-8')}")
 
    get_database_process = multiprocessing.Process(target=get_database, args=(client_socket, result_queue))
    features_construct_process = multiprocessing.Process(target=features_construct, args=(app, result_queue, result_queue1))
    send_features_data_process = multiprocessing.Process(target=send_features_data, args=(client_socket, result_queue1))
 
    # 启动进程
    get_database_process.start()
    features_construct_process.start()
    send_features_data_process.start()
    # 等待两个进程结束
    get_database_process.join()
    features_construct_process.join()
    send_features_data_process.join()
    # 关闭连接
    client_socket.close()

5. main 函数

if __name__ == "__main__":
    parser2 = argparse.ArgumentParser(description='insightface app test')  # 创建参数解析器，设置描述为'insightface app test'
    # 通用设置
    parser2.add_argument('--ctx', default=0, type=int,
                         help='ctx id, <0 means using cpu')  # 添加参数'--ctx'，默认值为0，类型为整数，帮助信息为'ctx id, <0 means using cpu'
    parser2.add_argument('--det-size', default=640, type=int,
                         help='detection size')  # 添加参数'--det-size'，默认值为640，类型为整数，帮助信息为'detection size'
    face_args = parser2.parse_args()  # 解析参数
    face_app = FaceAnalysis()  # 创建FaceAnalysis实例
    face_app.prepare(ctx_id=face_args.ctx, det_size=(face_args.det_size, face_args.det_size))  # 准备分析器，设置ctx_id和det_size
    result_queue = multiprocessing.Queue()  # 多进程队列
    result_queue1 = multiprocessing.Queue()
 
    database_features_construct(face_app, result_queue, result_queue1)