最近picojs上了Github Trending，这是一个小巧的人脸检测库，200行JS，2K大小，性能很好，效果也还还行。于是我想有没其他的能在浏览器跑的人脸检测库，一查才发现OpenCV已经支持编译到WebAssembly，也就可以直接在浏览器里使用了。

编译OpenCV.js

安装Emscripten SDK：

git clone https://github.com/juj/emsdk.git
cd emsdk
./emsdk update-tags
./emsdk install latest
./emsdk activate latest
source ./emsdk_env.sh

Emscripten可以把C/C++程序编译成asm.js，然后通过binaryen的asm2wasm转成WebAssembly。

接着就可以编译OpenCV了：

wget https://github.com/opencv/opencv/archive/3.4.1.zip
unzip 3.4.1.zip
cd opencv-3.4.1
python ./platforms/js/build_js.py build_wasm --build_wasm

编译的成果在build_wasm/bin：

$ ls -lh build_wasm/bin/
total 5.5M
-rw-r--r-- 1 lyp lyp 263K Apr 26 22:10 opencv.js
-rw-r--r-- 1 lyp lyp 262K Apr 26 22:10 opencv_js.js
-rw-r--r-- 1 lyp lyp 5.0M Apr 26 22:10 opencv_js.wasm

我们只需要其中的opencv.js和opencv_js.wasm，可以复制到其他地方使用，而opencv_js.js是中间生成的asm.js，可以忽略。

加载OpenCV

我们可以直接在HTML页面里引用opencv.js，它会自动加载opencv_js.wasm然后完成编译。遇到的第一个问题是，opencv.js默认会加载根目录的opencv_js.wasm，而我们通常会把js文件放在二级目录里。第二个问题是，我们的代码必须在OpenCV编译完成之后才能调用，不会代码就直接出错了。

更新2018-08-20：在Emscripten v1.38.9，locateFile行为已经修改，不需要这个hack了。

为了解决以上的问题，要通过Module进行配置：

<script>
var Module = {
    locateFile: function (name) {
        let files = {
            "opencv_js.wasm": '/opencv/opencv_js.wasm'
        }
        return files[name]
    },
    preRun: [() => {
        Module.FS_createPreloadedFile("/", "face.xml", "data/haarcascade_frontalface_default.xml",
            true, false);
    }],
    postRun: [
        run
    ]
};

</script>
<script async src="opencv/opencv.js"></script>

Module是Emscripten生成的全局对象，通过它可以配置和调用Emscripten的API。例如locateFile用配置文件的实际URL。

preRun会在初始化前前调用，在这个时候，OpenCV还没初始化，我们可以先用Emscripten的文件系统API预加载之后会用的文件，这里我加载了一个预训练好的模型data/haarcascade_frontalface_default.xml，存放在Emscripten文件系统的"/face.xml"。

postRun会在初始化完成之后执行，这时候OpenCV编译完成，可以使用cv模块了。

获取摄像头图像

<video  width="640" height="480" id="video" style="display:none"></video>
<canvas width="640" height="480" id="outputCanvas"></canvas>

首先我们需要一个video标签，然后打开摄像头：

async function startCamera() {
    let video = document.getElementById("video");
    let stream = await navigator.mediaDevices.getUserMedia({
            video: {
                width: {
                    exact: videoWidth
                },
                height: {
                    exact: videoHeight
                }
            },
            audio: false
        })
    video.srcObject = stream;
    video.play();
}

然后我们就可以用cv.VideoCapture来读取摄像头了：

// 创建VideoCapture
let cap = new cv.VideoCapture(video);
// 创建存放图像的Mat
let src = new cv.Mat(videoHeight, videoWidth, cv.CV_8UC4);
// 读一帧图像
cap.read(src);

Haar Cascades人脸检测

创建人脸检测器：

faceCascade = new cv.CascadeClassifier();
faceCascade.load("face.xml")

接着就可以循环读取图像，检查人脸，显示了：

// Capture a frame
cap.read(src)

// Convert to greyscale
cv.cvtColor(src, gray, cv.COLOR_RGBA2GRAY);

// Downsample
let downSampled = new cv.Mat();
cv.pyrDown(gray, downSampled);
cv.pyrDown(downSampled, downSampled);

// Detect faces
let faces = new cv.RectVector();
faceCascade.detectMultiScale(downSampled, faces)

// Draw boxes
let size = downSampled.size();
let xRatio = videoWidth / size.width;
let yRatio = videoHeight / size.height;
for (let i = 0; i < faces.size(); ++i) {
    let face = faces.get(i);
    let point1 = new cv.Point(face.x * xRatio, face.y * yRatio);
    let point2 = new cv.Point((face.x + face.width) * xRatio, (face.y + face.height) * xRatio);
    cv.rectangle(src, point1, point2, [255, 0, 0, 255])
}

// Show image
cv.imshow(outputCanvas, src)

// Cleanup
downSampled.delete()
faces.delete()

性能在30FPS左右，效果要比picojs好，代价是需要加载很大的JS和wasm，初始化慢。

完整代码：learn_ml/opencv.js