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

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'] = namedata_dict['feature'] = featureresult_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 socketclient_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_sizeresult_queue = multiprocessing.Queue()  # 多进程队列result_queue1 = multiprocessing.Queue()database_features_construct(face_app, result_queue, result_queue1)