使用Faceapi。js在Web上进行人脸检测

　　Web浏览器日益强大。网站和Web应用程序的复杂性也在增加。几十年前需要超级计算机的操作现在可以在智能手机上运行。其中之一就是人脸检测。
　　检测和分析人脸的能力非常有用，因为它使我们能够添加聪明的特征。想想自动模糊面部（如谷歌地图）、平移和缩放网络摄像头供稿以专注于人（如MicrosoftTeams）、验证护照、添加愚蠢的过滤器（如Instagram和Snapchat）等等。但在我们做这一切之前，我们首先需要找到这张脸！
　　Faceapi。js是一个库，使开发人员无需机器学习背景即可在其应用程序中使用人脸检测。
　　本教程的代码可在GitHub上找到。使用机器学习进行人脸检测
　　检测物体，比如人脸，是相当复杂的。想一想：也许我们可以编写一个程序来扫描像素以找到眼睛、鼻子和嘴巴。这是可以做到的，但要使其完全可靠实际上是无法实现的，因为要考虑许多因素。想想照明条件、面部毛发、各种各样的形状和颜色、妆容、角度、面罩等等。
　　然而，神经网络擅长处理这些类型的问题，并且可以概括为解释大多数（如果不是全部）条件。我们可以使用流行的JavaScript机器学习库TensorFlow。js在浏览器中创建、训练和使用神经网络。然而，即使我们使用现成的、预训练的模型，我们仍然会稍微了解向TensorFlow提供信息和解释输出的细节。如果您对机器学习的技术细节感兴趣，请查看APrimeronMachineLearningwithPython。
　　输入faceapi。js。它将所有这些包装到一个直观的API中。我们可以传递一个img、canvas或videoDOM元素，该库将返回一个或一组结果。Faceapi。js可以检测人脸，也可以估计人脸中的各种东西，如下所示。人脸检测：获取一张或多张人脸的边界。这对于确定人脸在图片中的位置和大小很有用。人脸地标检测：获取眉毛、眼睛、鼻子、嘴巴和嘴唇、下巴的位置和形状。这可用于确定朝向或在特定区域投影图形，例如鼻子和嘴唇之间的胡须。人脸识别：确定照片中的人。人脸表情检测：从人脸中获取表情。请注意，不同文化的里程可能会有所不同。年龄和性别检测：从人脸中获取年龄和性别。请注意，对于性别分类，它将面孔分类为女性或男性，这并不一定揭示他们的性别。
　　在您使用任何超出实验的方法之前，请注意人工智能擅长放大偏见。性别分类适用于顺性别的人，但它无法检测我的非二元朋友的性别。它会在大部分时间识别白人，但经常无法检测到有色人种。
　　在使用这项技术时要深思熟虑，并与多元化的测试小组一起进行彻底的测试。安装
　　我们可以通过npm安装faceapi。js：npminstallfaceapi。js
　　但是，要跳过设置构建工具，我将通过unpkg。org包含UMD包：globalsfaceapiimporthttps：unpkg。comfaceapi。js0。22。2distfaceapi。min。
　　之后，我们需要从库的存储库中下载正确的预训练模型。确定我们想从面部了解什么，并使用可用模型部分来确定需要哪些模型。某些功能适用于多个模型。在这种情况下，我们必须在带宽性能和准确性之间做出选择。比较各种可用模型的文件大小，然后选择您认为最适合您的项目的模型。
　　不确定您需要使用哪些型号？您可以稍后返回此步骤。当我们在没有加载所需模型的情况下使用API时，会抛出错误，说明库需要哪个模型。
　　我们现在可以使用faceapi。jsAPI。例子
　　让我们建立一些东西！
　　对于下面的示例，我将使用此函数从UnsplashSource加载随机图像：functionloadRandomImage（）｛constimagenewImage（）；image。crossOreturnnewPromise（（resolve，reject）｛image。addEventListener（error，（error）reject（error））；image。addEventListener（load，（）resolve（image））；image。srchttps：source。unsplash。com512x512？face，｝）；｝裁剪图片
　　您可以在随附的GitHub存储库中找到此演示的代码。
　　首先，我们必须选择并加载模型。要裁剪图像，我们只需要知道人脸的边界框，因此人脸检测就足够了。我们可以使用两个模型来做到这一点：SSDMobilenetv1模型（不到6MB）和TinyFaceDetector模型（不到200KB）。假设准确性是无关紧要的，因为用户还可以选择手动裁剪。此外，假设访问者在互联网连接速度较慢的情况下使用此功能。因为我们的重点是带宽和性能，所以我们将选择较小的TinyFaceDetector模型。
　　下载模型后，我们可以加载它：awaitfaceapi。nets。tinyFaceDetector。loadFromUri（models）；
　　我们现在可以加载图像并将其传递给faceapi。js。faceapi。detectAllFaces默认情况下使用SSDMobilenetv1模型，因此我们必须显式传递newfaceapi。TinyFaceDetectorOptions（）以强制它使用TinyFaceDetector模型。constimageawaitloadRandomImage（）；constfacesawaitfaceapi。detectAllFaces（image，newfaceapi。TinyFaceDetectorOptions（））；
　　该变量faces现在包含一个结果数组。每个结果都有一个boxandscore属性。该分数表明神经网络对结果确实是一张脸的信心。该box属性包含一个带有人脸坐标的对象。我们可以选择第一个结果（或者我们可以使用faceapi。detectSingleFace（）），但是如果用户提交了一张合影，我们希望在裁剪后的图片中看到所有这些。为此，我们可以计算一个自定义边界框：constbox｛Setboundariestotheirinverseinfinity，soanynumberisgreatersmallerbottom：Infinity，left：Infinity，right：Infinity，top：Infinity，Giventheboundaries，wecancomputewidthandheightgetheight（）｛returnthis。bottomthis。｝，getwidth（）｛returnthis。rightthis。｝，｝；Updatetheboxboundariesfor（constfaceoffaces）｛box。bottomMath。max（box。bottom，face。box。bottom）；box。leftMath。min（box。left，face。box。left）；box。rightMath。max（box。right，face。box。right）；box。topMath。min（box。top，face。box。top）；｝
　　最后，我们可以创建一个画布并显示结果：constcanvasdocument。createElement（canvas）；constcontextcanvas。getContext（2d）；canvas。heightbox。canvas。widthbox。context。drawImage（image，box。left，box。top，box。width，box。height，0，0，canvas。width，canvas。height）；放置表情符号
　　您可以在随附的GitHub存储库中找到此演示的代码。
　　为什么不享受一点乐趣呢？我们可以制作一个过滤器，将嘴巴表情符号（）放在所有眼睛上。为了找到眼睛标志，我们需要另一个模型。这一次，我们关心准确性，因此我们使用SSDMobilenetv1和68PointFaceLandmarkDetection模型。
　　同样，我们需要先加载模型和图像：awaitfaceapi。nets。faceLandmark68Net。loadFromUri（models）；awaitfaceapi。nets。ssdMobilenetv1。loadFromUri（models）；constimageawaitloadRandomImage（）；
　　要获取地标，我们必须附加withFaceLandmarks（）函数调用以detectAllFaces（）获取地标数据：constfacesawaitfaceapi。detectAllFaces（image）。withlandmarks（）；
　　与上次一样，faces包含结果列表。除了人脸在哪里之外，每个结果还包含一个原始的地标点列表。为了获得每个特征的正确地标，我们需要对点列表进行切片。因为点数是固定的，所以我选择对索引进行硬编码：for（constfaceoffaces）｛constfeatures｛jaw：face。landmarks。positions。slice（0，17），eyebrowLeft：face。landmarks。positions。slice（17，22），eyebrowRight：face。landmarks。positions。slice（22，27），noseBridge：face。landmarks。positions。slice（27，31），nose：face。landmarks。positions。slice（31，36），eyeLeft：face。landmarks。positions。slice（36，42），eyeRight：face。landmarks。positions。slice（42，48），lipOuter：face。landmarks。positions。slice（48，60），lipInner：face。landmarks。positions。slice（60），｝；。。。｝
　　现在我们终于可以享受一点乐趣了。有很多选择，但让我们用嘴巴表情符号（）遮住眼睛。
　　首先，我们必须确定表情符号的放置位置以及应该绘制多大。为此，让我们编写一个辅助函数，从任意一组点创建一个框。该框包含我们需要的所有信息：functiongetBoxFromPoints（points）｛constbox｛bottom：Infinity，left：Infinity，right：Infinity，top：Infinity，getcenter（）｛return｛x：this。leftthis。width2，y：this。topthis。height2，｝；｝，getheight（）｛returnthis。bottomthis。｝，getwidth（）｛returnthis。rightthis。｝，｝；for（constpointofpoints）｛box。leftMath。min（box。left，point。x）；box。rightMath。max（box。right，point。x）；box。bottomMath。max（box。bottom，point。y）；box。topMath。min（box。top，point。y）；｝｝
　　现在我们可以开始在图片上绘制表情符号了。因为我们必须对两只眼睛都这样做，所以我们可以将feature。eyeLeft和feature。eyeRight放入一个数组中并遍历它们以对每只眼睛执行相同的代码。剩下的就是在画布上绘制表情符号！for（consteyeof〔features。eyeLeft，features。eyeRight〕）｛consteyeBoxgetBoxFromPoints（eye）；constfontSize6eyeBox。context。font｛fontSize｝px｛fontSize｝context。textAcontext。textBcontext。fillStyle000；context。fillText（，eyeBox。center。x，eyeBox。center。y0。6fontSize）；｝
　　请注意，我使用了一些幻数来调整字体大小和确切的文本位置。因为表情符号是unicode并且网络上的排版很奇怪（至少对我来说），我只是调整数字直到它们看起来正确。更强大的替代方法是将图像用作叠加层。结束语
　　Faceapi。js是一个很棒的库，它使人脸检测和识别变得非常容易。不需要熟悉机器学习和神经网络。我喜欢启用的工具，这绝对是其中之一。
　　根据我的经验，Web上的人脸识别会影响性能。我们将不得不在带宽和性能或准确性之间做出选择。较小的模型肯定会不太准确，并且会在我之前提到的一些因素中错过一张脸，比如光线不足或脸部被面具覆盖。
　　微软Azure、谷歌云和可能的其他企业在云中提供人脸检测。由于我们避免下载大型模型，基于云的检测避免了繁重的页面加载，并且由于经常改进而趋于更准确，并且由于优化的硬件甚至可能更快。如果您需要高精度，您可能需要研究一个您觉得满意的计划。
　　我绝对推荐使用faceapi。js来进行业余项目、实验，也许还有MVP。