1 地址
https://www.cnblogs.com/cpuimage/p/8995600.html
git:https://github.com/cpuimage/MTCNN 其中包含了ncnn的地址
2 编译
1 注意ncnn目录，需要从腾讯的ncnn git下来
2 mtcnn有转换好的模型文件，也可以自己搭建matlab+caffe的训练环境自己训练模型。
mkdir build
cd build
cmake …/
make ncnn
make
make可能会报错，把browse.h中的#if linux || FreeBSD || __sun&&__SVR4 改成 #if 1
3 交叉编译
1 修改ncnn/CMakeList.txt文件
倒数第二行注释：
#add_subdirectory(tools)
2 修改ncnn/toolchains
注释最后三行：
#add_definitions(-D__ARM_NEON)
#add_definitions(-D__ANDROID__)
#SET ( ANDROID true)
3 编译
mkdir build_armhi
cd build_armhi
cmake -DCMAKE_TOOLCHAIN_FILE=…/ncnn/toolchains/hisiv500.toolchain.cmake …/
make ncnn
make
这样就生成了 mtcnn执行程序，但是我在我的海思板子上执行报错：
./mtcnn: can’t load library ‘libgomp.so.1’
ncnn需要OpenMP的支持，本来我们可以通过修改CMakeList.txt和ncnn/CMakeList.txt来去掉OpenMP的支持，但是实验证明，带有OpenMP的计算速度提升很多，比如在我的8700cpu下，检测一张有4张人脸的图形，不带OpenMP需要147ms，带上就是65ms。相同的图片，不带OpenMP在hi3531d上执行需要37s，带上需要20s
所以我们需要在arm板上安装OpenMP：
1 git clone https://github.com/lapesd/libgomp.git
2 cd libgomp/src/libgomp && mkdir build && cd build
3 …/configure --host=arm-hisiv500-linux CC=arm-hisiv500-linux-gcc CXX=arm-hisiv500-linux-g++ --disable-multilib CFLAGS=-std=gnu11
两种配置方法生成的动态库是相同的，但是加上–disable-multilib参数编译时间快很多
…/configure --host=arm-hisiv500-linux CC=arm-hisiv500-linux-gcc CXX=arm-hisiv500-linux-g++ CFLAGS=-std=gnu11
4 make -j6
5 cp -d .libs/libgomp.so* 指定目录
可是安装OpenMP还不够，时间还是太长了，我们需要想办法降低时间
这个时候我发现了NENO这个功能，通过修改…/ncnn/toolchains/hisiv500.toolchain.cmake文件，增加浮点运算和NEON，本来加上这个报错我给去掉了，现在修改成：
SET ( CMAKE_CXX_FLAGS “-std=c++11 -mcpu=cortex-a9 -mfloat-abi=softfp -mfpu=neon -mno-unaligned-access -fno-aggressive-loop-optimizations ${CMAKE_CXX_FLAGS}” )
带有OpenMP和NEON的执行结果：784ms，比之前的20s提升了非常多，但是还是不行，时间太长了