当前位置：首页 > java >正文

C++/OpenCV地砖识别系统结合 Libevent 实现网络化 AI 接入

java 2025/6/16 6:37:39

🚀 C++/OpenCV 地砖识别系统：结合 Libevent 实现网络化 AI 接入

本项目旨在创建一个高性能的地砖识别服务。我们使用 C++/OpenCV 实现核心的图像识别算法，并利用 Libevent 库将其封装成一个高效的、事件驱动的 TCP 服务器。这样，任何客户端（如移动 App、Web 前端或 Python AI 脚本）都可以通过网络请求来进行地砖识别，极大地增强了系统的可扩展性。

🏗️ 系统架构

系统的核心思想是将计算密集型的视觉任务与网络通信分离：

客户端 (Client)：通过 TCP 连接到服务器，发送一个简单的指令（例如 “detect”）。
Libevent 服务器 (Server)：接收到客户端指令后，触发一个回调函数。
OpenCV 处理器 (Processor)：回调函数调用预先编写好的 OpenCV 函数，对服务器本地的一张图像进行地砖识别。
响应 (Response)：服务器将识别结果（例如，找到的地砖数量）格式化成字符串，并发送回客户端。

这种架构使得 OpenCV 的处理逻辑可以独立更新，同时服务器能够高效处理多个并发连接，为将来集成需要大量计算的 AI 模型（例如，通过网络调用 Python 的 AI 推理服务）提供了完美的接口。

👁️ Part 1: OpenCV 地砖识别模块

首先，我们把上一篇文章中的地砖识别逻辑封装成一个独立的函数。这个函数接收一个 OpenCV Mat 对象，并返回检测到的地砖数量。这种封装使得代码更模块化，易于在网络回调中调用。

#include <opencv2/opencv.hpp>
#include <vector>/*** @brief 在给定的图像中检测地砖数量* @param image 输入的 BGR 图像* @return 检测到的地砖数量*/
int detect_tiles(const cv::Mat& image) {if (image.empty()) {return 0;}// 1. 预处理cv::Mat gray, blurred, edges;cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);// 2. Canny 边缘检测cv::Canny(blurred, edges, 50, 150, 3);// 3. 寻找并筛选轮廓std::vector<std::vector<cv::Point>> contours;cv::findContours(edges, contours, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);int tile_count = 0;for (const auto& contour : contours) {// 面积过滤double area = cv::contourArea(contour);if (area < 1000) { // 根据图像分辨率调整continue;}// 多边形逼近std::vector<cv::Point> approx;double peri = cv::arcLength(contour, true);cv::approxPolyDP(contour, approx, 0.04 * peri, true);// 筛选四边形if (approx.size() == 4 && cv::isContourConvex(approx)) {tile_count++;}}return tile_count;
}

🌐 Part 2: Libevent 网络服务器模块

现在，我们使用 libevent 创建一个 TCP 服务器。Libevent 是一个高性能的事件通知库，非常适合编写高并发的网络程序。

核心概念

event_base: 事件循环的“心脏”，负责管理所有的事件。
evconnlistener: 用于监听 TCP 连接的辅助对象。
回调函数: libevent 的精髓。当特定事件发生时（如新连接、数据可读），libevent 会调用我们预先注册的回调函数。

我们将创建一个服务器，它在 12345 端口上监听连接。当接收到数据时，它会检查收到的消息是否是 “detect”。

🤝 整合：将 OpenCV 接入 Libevent

这是最关键的一步。我们将在 libevent 的读回调函数 (read_cb) 中调用我们的 detect_tiles 函数。

为了让回调函数能访问到需要处理的图像，我们定义一个结构体 AppContext 来传递上下文数据。

完整代码示例

下面的完整代码整合了 OpenCV 和 Libevent。服务器启动后会加载一张名为 tiles.jpg 的图片，并等待客户端连接。

#include <iostream>
#include <string>
#include <vector>#include <opencv2/opencv.hpp>#include <event2/listener.h>
#include <event2/bufferevent.h>
#include <event2/buffer.h>#include <arpa/inet.h>// 上下文结构体，用于在回调间传递数据
struct AppContext {cv::Mat image_to_process;
};// 声明地砖检测函数
int detect_tiles(const cv::Mat& image);// 读事件回调函数
void read_cb(struct bufferevent *bev, void *ctx) {AppContext* context = static_cast<AppContext*>(ctx);struct evbuffer *input = bufferevent_get_input(bev);char buf[1024];int n;std::string received_data;while ((n = evbuffer_remove(input, buf, sizeof(buf) - 1)) > 0) {buf[n] = '\0';received_data += buf;}// 简单协议：如果收到 "detect\n"，则执行识别if (received_data.find("detect") != std::string::npos) {std::cout << "Received 'detect' command. Processing image..." << std::endl;// 调用 OpenCV 函数int tile_count = detect_tiles(context->image_to_process);// 准备并发送响应std::string response = "Detected " + std::to_string(tile_count) + " tiles.\n";bufferevent_write(bev, response.c_str(), response.length());std::cout << "Response sent: " << response;}
}// 事件回调函数（例如，连接关闭）
void event_cb(struct bufferevent *bev, short events, void *ctx) {if (events & BEV_EVENT_EOF) {printf("Connection closed.\n");} else if (events & BEV_EVENT_ERROR) {printf("Got an error on the connection: %s\n", strerror(errno));}bufferevent_free(bev);
}// 新连接回调函数
void listener_cb(struct evconnlistener *listener, evutil_socket_t fd,struct sockaddr *sa, int socklen, void *user_data) {struct event_base *base = evconnlistener_get_base(listener);AppContext* context = static_cast<AppContext*>(user_data);// 为新连接创建一个 buffereventstruct bufferevent *bev = bufferevent_socket_new(base, fd, BEV_OPT_CLOSE_ON_FREE);if (!bev) {fprintf(stderr, "Error constructing bufferevent!");event_base_loopbreak(base);return;}// 设置回调bufferevent_setcb(bev, read_cb, NULL, event_cb, context);bufferevent_enable(bev, EV_READ | EV_WRITE);printf("New connection accepted.\n");
}int main(int argc, char **argv) {// ---- OpenCV 部分 ----AppContext context;context.image_to_process = cv::imread("tiles.jpg"); // 确保 tiles.jpg 在运行目录下if (context.image_to_process.empty()) {std::cerr << "Error: Could not load tiles.jpg" << std::endl;return 1;}std::cout << "Image 'tiles.jpg' loaded successfully." << std::endl;// ---- Libevent 部分 ----struct event_base *base;struct evconnlistener *listener;struct sockaddr_in sin;const int PORT = 12345;base = event_base_new();if (!base) {fprintf(stderr, "Could not initialize libevent!\n");return 1;}memset(&sin, 0, sizeof(sin));sin.sin_family = AF_INET;sin.sin_port = htons(PORT);listener = evconnlistener_new_bind(base, listener_cb, &context,LEV_OPT_REUSEABLE | LEV_OPT_CLOSE_ON_FREE, -1,(struct sockaddr*)&sin, sizeof(sin));if (!listener) {fprintf(stderr, "Could not create a listener!\n");return 1;}printf("Server listening on port %d...\n", PORT);// 启动事件循环event_base_dispatch(base);// 释放资源evconnlistener_free(listener);event_base_free(base);printf("Done.\n");return 0;
}// 地砖检测函数的实现 (与上面相同)
int detect_tiles(const cv::Mat& image) {if (image.empty()) return 0;cv::Mat gray, blurred, edges;cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);cv::Canny(blurred, edges, 50, 150, 3);std::vector<std::vector<cv::Point>> contours;cv::findContours(edges, contours, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);int tile_count = 0;for (const auto& contour : contours) {if (cv::contourArea(contour) < 1000) continue;std::vector<cv::Point> approx;cv::approxPolyDP(contour, approx, 0.04 * cv::arcLength(contour, true), true);if (approx.size() == 4 && cv::isContourConvex(approx)) {tile_count++;}}return tile_count;
}

编译与运行

你需要同时链接 OpenCV 和 Libevent 库。

# 编译命令 (确保已安装 libevent-dev 和 opencv)
g++ -o tile_server main.cpp `pkg-config --cflags --libs opencv4 event`# 运行服务器 (确保同目录下有 tiles.jpg)
./tile_server

测试服务器

打开一个新的终端，使用 netcat 或 telnet 作为客户端来测试服务器。

# 使用 netcat
nc localhost 12345

连接成功后，输入 detect 并按回车。

detect
Detected 15 tiles.  <-- 这是服务器返回的响应

🧠 未来扩展：接入 AI 功能

这个网络化架构为集成真正的 AI 功能铺平了道路：

更复杂的请求：客户端可以将图片数据（例如 Base64 编码后）作为请求的一部分发送给服务器，而不是让服务器处理本地文件。
AI 推理服务：C++ 服务器可以扮演一个“调度者”的角色。它在接收到图片后，可以调用一个独立的 Python AI 服务（例如，一个使用 Flask 或 FastAPI 搭建的，运行着 PyTorch/TensorFlow 模型的服务）来进行高级分析，如裂缝检测、材质分类等。
返回结构化数据：服务器的响应可以升级为 JSON 格式，包含更丰富的信息，如每个地砖的坐标、大小、以及 AI 模型的分析结果。

通过这种方式，你可以充分利用 C++ 的高性能来处理图像 I/O 和基础视觉任务，同时利用 Python 生态系统在 AI/ML 领域的强大能力。

查看全文

http://www.xdnf.cn/news/14148.html