इमेज और वीडियो में चेहरों की पहचान करने के लिए एमएल किट का इस्तेमाल किया जा सकता है.
सुविधा | अनबंडल किए गए | बंडल किए गए |
---|---|---|
लागू करना | मॉडल, Google Play Services के ज़रिए डाइनैमिक रूप से डाउनलोड होता है. | मॉडल, बिल्ड टाइम के दौरान स्टैटिक तौर पर आपके ऐप्लिकेशन से लिंक होता है. |
ऐप्लिकेशन का साइज़ | करीब 800 केबी का साइज़ बढ़ाएं. | करीब 6.9 एमबी साइज़ की बढ़ोतरी. |
शुरू करने का समय | पहली बार इस्तेमाल करने से पहले, शायद मॉडल डाउनलोड होने का इंतज़ार करना पड़े. | मॉडल तुरंत उपलब्ध है |
इसे आज़माएं
- इस एपीआई के इस्तेमाल का उदाहरण देखने के लिए, ऐप्लिकेशन के नमूने का इस्तेमाल करें.
- कोडलैब की मदद से कोड को खुद आज़माएं.
शुरू करने से पहले
प्रोजेक्ट-लेवल की
build.gradle
फ़ाइल में, अपनेbuildscript
औरallprojects
, दोनों सेक्शन में Google का Maven का स्टोरेज शामिल करना न भूलें.अपने मॉड्यूल की ऐप्लिकेशन-लेवल की ग्रेडल फ़ाइल में ML किट की Android लाइब्रेरी के लिए डिपेंडेंसी जोड़ें, जो आम तौर पर
app/build.gradle
होती है. अपनी ज़रूरतों के हिसाब से इनमें से कोई एक डिपेंडेंसी चुनें:अपने ऐप्लिकेशन के साथ मॉडल को बंडल करने के लिए:
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:face-detection:16.1.5' }
Google Play Services में मॉडल का इस्तेमाल करने के लिए:
dependencies { // ... // Use this dependency to use the dynamically downloaded model in Google Play Services implementation 'com.google.android.gms:play-services-mlkit-face-detection:17.1.0' }
अगर Google Play सेवाओं में मॉडल का इस्तेमाल किया जाता है, तो Play Store से ऐप्लिकेशन इंस्टॉल हो जाने के बाद, ऐप्लिकेशन को डिवाइस पर अपने-आप डाउनलोड करने के लिए, कॉन्फ़िगर किया जा सकता है. ऐसा करने के लिए, अपने ऐप्लिकेशन की
AndroidManifest.xml
फ़ाइल में यह जानकारी जोड़ें:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="face" > <!-- To use multiple models: android:value="face,model2,model3" --> </application>
Google Play सेवाओं के ModuleInstallClient API की मदद से, मॉडल की उपलब्धता की जानकारी साफ़ तौर पर देखी जा सकती है. साथ ही, उसे डाउनलोड करने का अनुरोध भी किया जा सकता है.
अगर आपने इंस्टॉल के समय मॉडल के लिए डाउनलोड चालू नहीं किया है या डाउनलोड करने के लिए साफ़ तौर पर अनुरोध नहीं किया है, तो पहचान करने वाले का पहली बार इस्तेमाल करने पर, मॉडल डाउनलोड किया जाता है. डाउनलोड पूरा होने से पहले किए गए अनुरोधों से कोई भी नतीजा नहीं मिलता.
इनपुट इमेज के दिशा-निर्देश
चेहरे की पहचान करने के लिए, आपको कम से कम 480x360 पिक्सल की इमेज इस्तेमाल करनी होगी. ML किट में चेहरे की सही पहचान करने के लिए, इनपुट इमेज में ऐसे चेहरे होने चाहिए जो ज़रूरी पिक्सल डेटा से दिखाए गए हों. आम तौर पर, किसी इमेज में दिख रहे हर चेहरे को कम से कम 100x100 पिक्सल का होना चाहिए. अगर आप चेहरों की बनावट का पता लगाना चाहते हैं, तो ML किट को बेहतर रिज़ॉल्यूशन इनपुट की ज़रूरत होती है: हर चेहरा कम से कम 200x200 पिक्सल का होना चाहिए.
अगर आपको रीयल-टाइम ऐप्लिकेशन में चेहरे मिलते हैं, तो इनपुट इमेज के सभी डाइमेंशन को भी ध्यान में रखा जा सकता है. छोटी इमेज को तेज़ी से प्रोसेस किया जा सकता है, ताकि इंतज़ार का समय कम किया जा सके. साथ ही, कम रिज़ॉल्यूशन वाली इमेज कैप्चर करें. हालांकि, ऊपर बताई गई सटीक शर्तों का ध्यान रखें और पक्का करें कि इमेज में व्यक्ति का चेहरा ज़्यादा से ज़्यादा दिखे. रीयल-टाइम परफ़ॉर्मेंस को बेहतर बनाने के लिए सलाह भी देखें.
इमेज का फ़ोकस सही न होने से, उसकी सही जानकारी पर असर पड़ सकता है. अगर आपको अच्छे नतीजे नहीं मिलते हैं, तो उपयोगकर्ता से इमेज को फिर से देखने के लिए कहें.
कैमरे के मुकाबले चेहरे का ओरिएंटेशन इस बात पर असर डाल सकता है कि ML किट क्या पहचान सकता है. चेहरे की पहचान करने के कॉन्सेप्ट देखें.
1. चेहरे की पहचान करने वाले डिवाइस को कॉन्फ़िगर करें
किसी इमेज पर चेहरे की पहचान करने वाली सुविधा लागू करने से पहले, अगर आपको फ़ेस डिटेक्टर की किसी भी डिफ़ॉल्ट सेटिंग में बदलाव करना है, तो उन सेटिंग कोFaceDetectorOptions
ऑब्जेक्ट की मदद से बताएं.
आप निम्न सेटिंग बदल सकते हैं:
सेटिंग | |
---|---|
setPerformanceMode
|
PERFORMANCE_MODE_FAST (डिफ़ॉल्ट)
|
PERFORMANCE_MODE_ACCURATE
चेहरों की पहचान करते समय उसकी गति या बिलकुल सही होना. |
setLandmarkMode
|
LANDMARK_MODE_NONE (डिफ़ॉल्ट)
|
LANDMARK_MODE_ALL
चेहरे के "लैंडमार्क" की पहचान करनी है या नहीं: आंखें, कान, नाक, गाल, मुंह वगैरह. |
setContourMode
|
CONTOUR_MODE_NONE (डिफ़ॉल्ट)
|
CONTOUR_MODE_ALL
चेहरे की बनावट के आकार का पता लगाना है या नहीं. कॉनटूर की पहचान इमेज में सिर्फ़ सबसे प्रमुख चेहरे के लिए होती है. |
setClassificationMode
|
CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट)
|
CLASSIFICATION_MODE_ALL
चेहरे को "मुस्कुराता है" और "आंखें खुली हैं" कैटगरी में शामिल करना है या नहीं. |
setMinFaceSize
|
float (डिफ़ॉल्ट: 0.1f )
चेहरे की सबसे छोटी साइज़ सेट करता है, जिसे सिर की चौड़ाई और इमेज की चौड़ाई के अनुपात के तौर पर दिखाया जाता है. |
enableTracking
|
false (डिफ़ॉल्ट) | true
चेहरे को आईडी असाइन करना है या नहीं, इसका इस्तेमाल इमेज में दिखने वाले चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि 'कंटूर' की पहचान करने की सुविधा चालू होने पर, सिर्फ़ एक चेहरे की पहचान की जाती है. इसलिए, चेहरे की ट्रैकिंग से सही नतीजे नहीं मिलते. इसी वजह से, कॉन्टैक्ट डिटेक्शन और फ़ेस ट्रैकिंग, दोनों को चालू न करें. इस सुविधा की मदद से, स्पीड को बेहतर बनाया जा सकता है. |
उदाहरण के लिए:
Kotlin
// High-accuracy landmark detection and face classification val highAccuracyOpts = FaceDetectorOptions.Builder() .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE) .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL) .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL) .build() // Real-time contour detection val realTimeOpts = FaceDetectorOptions.Builder() .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL) .build()
Java
// High-accuracy landmark detection and face classification FaceDetectorOptions highAccuracyOpts = new FaceDetectorOptions.Builder() .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE) .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL) .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL) .build(); // Real-time contour detection FaceDetectorOptions realTimeOpts = new FaceDetectorOptions.Builder() .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL) .build();
2. इनपुट इमेज तैयार करें
किसी इमेज में चेहरों का पता लगाने के लिए,Bitmap
, media.Image
, ByteBuffer
, बाइट कैटगरी या डिवाइस पर मौजूद किसी फ़ाइल से InputImage
ऑब्जेक्ट बनाएं. इसके बाद, InputImage
ऑब्जेक्ट को
FaceDetector
के process
तरीके पर भेजें.
चेहरे की पहचान करने के लिए, आपको कम से कम 480x360 पिक्सल के डाइमेंशन वाली इमेज इस्तेमाल करनी होगी. अगर आप रीयल टाइम में चेहरे की पहचान कर रहे हैं, तो इस कम से कम रिज़ॉल्यूशन में फ़्रेम कैप्चर करने से इंतज़ार का समय कम करने में मदद मिल सकती है.
अलग-अलग सोर्स से ऑब्जेक्ट InputImage
बनाया जा सकता है. हर ऑब्जेक्ट के बारे में यहां बताया गया है.
media.Image
का इस्तेमाल किया जा रहा है
media.Image
ऑब्जेक्ट से InputImage
ऑब्जेक्ट बनाने के लिए, media.Image
ऑब्जेक्ट और इमेज का घुमाव, InputImage.fromMediaImage()
को पास करें. उदाहरण के लिए, जब आप किसी डिवाइस के कैमरे से इमेज कैप्चर कर रहे हों.
अगर आप
CameraX लाइब्रेरी का इस्तेमाल करते हैं, तो OnImageCapturedListener
और ImageAnalysis.Analyzer
क्लास, आपके लिए रोटेशन वैल्यू का हिसाब लगाती हैं.
Kotlin
private class YourImageAnalyzer : ImageAnalysis.Analyzer { override fun analyze(imageProxy: ImageProxy) { val mediaImage = imageProxy.image if (mediaImage != null) { val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees) // Pass image to an ML Kit Vision API // ... } } }
Java
private class YourAnalyzer implements ImageAnalysis.Analyzer { @Override public void analyze(ImageProxy imageProxy) { Image mediaImage = imageProxy.getImage(); if (mediaImage != null) { InputImage image = InputImage.fromMediaImage(mediaImage, imageProxy.getImageInfo().getRotationDegrees()); // Pass image to an ML Kit Vision API // ... } } }
किसी ऐसी कैमरा लाइब्रेरी का इस्तेमाल न करने पर, जो इमेज को घुमाने की डिग्री देती है, आप डिवाइस के घुमाव डिग्री और डिवाइस में कैमरा सेंसर की दिशा से उसका हिसाब लगा सकते हैं:
Kotlin
private val ORIENTATIONS = SparseIntArray() init { ORIENTATIONS.append(Surface.ROTATION_0, 0) ORIENTATIONS.append(Surface.ROTATION_90, 90) ORIENTATIONS.append(Surface.ROTATION_180, 180) ORIENTATIONS.append(Surface.ROTATION_270, 270) } /** * Get the angle by which an image must be rotated given the device's current * orientation. */ @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP) @Throws(CameraAccessException::class) private fun getRotationCompensation(cameraId: String, activity: Activity, isFrontFacing: Boolean): Int { // Get the device's current rotation relative to its "native" orientation. // Then, from the ORIENTATIONS table, look up the angle the image must be // rotated to compensate for the device's rotation. val deviceRotation = activity.windowManager.defaultDisplay.rotation var rotationCompensation = ORIENTATIONS.get(deviceRotation) // Get the device's sensor orientation. val cameraManager = activity.getSystemService(CAMERA_SERVICE) as CameraManager val sensorOrientation = cameraManager .getCameraCharacteristics(cameraId) .get(CameraCharacteristics.SENSOR_ORIENTATION)!! if (isFrontFacing) { rotationCompensation = (sensorOrientation + rotationCompensation) % 360 } else { // back-facing rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360 } return rotationCompensation }
Java
private static final SparseIntArray ORIENTATIONS = new SparseIntArray(); static { ORIENTATIONS.append(Surface.ROTATION_0, 0); ORIENTATIONS.append(Surface.ROTATION_90, 90); ORIENTATIONS.append(Surface.ROTATION_180, 180); ORIENTATIONS.append(Surface.ROTATION_270, 270); } /** * Get the angle by which an image must be rotated given the device's current * orientation. */ @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP) private int getRotationCompensation(String cameraId, Activity activity, boolean isFrontFacing) throws CameraAccessException { // Get the device's current rotation relative to its "native" orientation. // Then, from the ORIENTATIONS table, look up the angle the image must be // rotated to compensate for the device's rotation. int deviceRotation = activity.getWindowManager().getDefaultDisplay().getRotation(); int rotationCompensation = ORIENTATIONS.get(deviceRotation); // Get the device's sensor orientation. CameraManager cameraManager = (CameraManager) activity.getSystemService(CAMERA_SERVICE); int sensorOrientation = cameraManager .getCameraCharacteristics(cameraId) .get(CameraCharacteristics.SENSOR_ORIENTATION); if (isFrontFacing) { rotationCompensation = (sensorOrientation + rotationCompensation) % 360; } else { // back-facing rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360; } return rotationCompensation; }
इसके बाद, InputImage.fromMediaImage()
ऑब्जेक्ट को media.Image
ऑब्जेक्ट और
रोटेशन डिग्री वैल्यू पास करें:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
फ़ाइल यूआरआई का इस्तेमाल करना
किसी फ़ाइल यूआरआई से InputImage
ऑब्जेक्ट बनाने के लिए, ऐप्लिकेशन संदर्भ और फ़ाइल यूआरआई को
InputImage.fromFilePath()
पर भेजें. यह तब मददगार होता है, जब आप ACTION_GET_CONTENT
इंटेंट का इस्तेमाल करके, उपयोगकर्ता से उनकी गैलरी के ऐप्लिकेशन से कोई इमेज चुनने के लिए कहते हैं.
Kotlin
val image: InputImage try { image = InputImage.fromFilePath(context, uri) } catch (e: IOException) { e.printStackTrace() }
Java
InputImage image; try { image = InputImage.fromFilePath(context, uri); } catch (IOException e) { e.printStackTrace(); }
ByteBuffer
या ByteArray
का इस्तेमाल करके
ByteBuffer
या ByteArray
से InputImage
ऑब्जेक्ट बनाने के लिए, पहले इमेज इनपुट के लिए डिग्री का हिसाब लगाएं, जैसा कि पहले media.Image
इनपुट में बताया गया है.
इसके बाद, बफ़र या अरे के साथ InputImage
ऑब्जेक्ट बनाएं. इसमें इमेज की लंबाई, चौड़ाई, कलर एन्कोडिंग का फ़ॉर्मैट, और घुमाव की डिग्री शामिल है.
Kotlin
val image = InputImage.fromByteBuffer( byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ) // Or: val image = InputImage.fromByteArray( byteArray, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 )
Java
InputImage image = InputImage.fromByteBuffer(byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ); // Or: InputImage image = InputImage.fromByteArray( byteArray, /* image width */480, /* image height */360, rotation, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 );
Bitmap
का इस्तेमाल किया जा रहा है
Bitmap
ऑब्जेक्ट से InputImage
ऑब्जेक्ट बनाने के लिए, यह एलान करें:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
इमेज को रोटेशन ऑब्जेक्ट के साथ Bitmap
ऑब्जेक्ट के ज़रिए दिखाया जाता है.
3. फ़ेस डिटेक्टर का उदाहरण पाएं
Kotlin
val detector = FaceDetection.getClient(options) // Or, to use the default option: // val detector = FaceDetection.getClient();
Java
FaceDetector detector = FaceDetection.getClient(options); // Or use the default options: // FaceDetector detector = FaceDetection.getClient();
4. इमेज को प्रोसेस करें
इमेज कोprocess
तरीके से पास करें:
Kotlin
val result = detector.process(image) .addOnSuccessListener { faces -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
Java
Task<List<Face>> result = detector.process(image) .addOnSuccessListener( new OnSuccessListener<List<Face>>() { @Override public void onSuccess(List<Face> faces) { // Task completed successfully // ... } }) .addOnFailureListener( new OnFailureListener() { @Override public void onFailure(@NonNull Exception e) { // Task failed with an exception // ... } });
5. जिन चेहरों की पहचान की गई है उनके बारे में जानकारी पाएं
अगर चेहरे की पहचान करने की कार्रवाई पूरी हो जाती है, तोFace
ऑब्जेक्ट की सूची, सफलता की सूची में भेज दी जाती है. हर Face
ऑब्जेक्ट एक चेहरा दिखाता है, जो इमेज में पाया गया था. हर चेहरे के लिए, आपको इनपुट इमेज में इसके बाउंडिंग कोऑर्डिनेट मिल सकते हैं. साथ ही, इसे ढूंढने के लिए फ़ेस डिटेक्टर को कॉन्फ़िगर करने वाली कोई दूसरी जानकारी भी पाई जा सकती है. उदाहरण के लिए:
Kotlin
for (face in faces) { val bounds = face.boundingBox val rotY = face.headEulerAngleY // Head is rotated to the right rotY degrees val rotZ = face.headEulerAngleZ // Head is tilted sideways rotZ degrees // If landmark detection was enabled (mouth, ears, eyes, cheeks, and // nose available): val leftEar = face.getLandmark(FaceLandmark.LEFT_EAR) leftEar?.let { val leftEarPos = leftEar.position } // If contour detection was enabled: val leftEyeContour = face.getContour(FaceContour.LEFT_EYE)?.points val upperLipBottomContour = face.getContour(FaceContour.UPPER_LIP_BOTTOM)?.points // If classification was enabled: if (face.smilingProbability != null) { val smileProb = face.smilingProbability } if (face.rightEyeOpenProbability != null) { val rightEyeOpenProb = face.rightEyeOpenProbability } // If face tracking was enabled: if (face.trackingId != null) { val id = face.trackingId } }
Java
for (Face face : faces) { Rect bounds = face.getBoundingBox(); float rotY = face.getHeadEulerAngleY(); // Head is rotated to the right rotY degrees float rotZ = face.getHeadEulerAngleZ(); // Head is tilted sideways rotZ degrees // If landmark detection was enabled (mouth, ears, eyes, cheeks, and // nose available): FaceLandmark leftEar = face.getLandmark(FaceLandmark.LEFT_EAR); if (leftEar != null) { PointF leftEarPos = leftEar.getPosition(); } // If contour detection was enabled: List<PointF> leftEyeContour = face.getContour(FaceContour.LEFT_EYE).getPoints(); List<PointF> upperLipBottomContour = face.getContour(FaceContour.UPPER_LIP_BOTTOM).getPoints(); // If classification was enabled: if (face.getSmilingProbability() != null) { float smileProb = face.getSmilingProbability(); } if (face.getRightEyeOpenProbability() != null) { float rightEyeOpenProb = face.getRightEyeOpenProbability(); } // If face tracking was enabled: if (face.getTrackingId() != null) { int id = face.getTrackingId(); } }
चेहरे के आकार का उदाहरण
अगर आपने चेहरे की बनावट की पहचान करने की सुविधा चालू की है, तो चेहरे की हर सुविधा के लिए पॉइंट की एक सूची दिखेगी. ये पॉइंट इस सुविधा की बनावट दिखाते हैं. रूपरेखा को दिखाने के तरीके के बारे में विवरण के लिए, चेहरे की पहचान करने के सिद्धांत देखें.
नीचे दी गई इमेज में चेहरे को मैप करने का तरीका दिखाया गया है, इमेज को बड़ा करने के लिए उस पर क्लिक करें:
रीयल-टाइम में चेहरे की पहचान
अगर आप रीयल-टाइम ऐप्लिकेशन में चेहरे की पहचान करने वाली सुविधा का इस्तेमाल करना चाहते हैं, तो सबसे अच्छे फ़्रेम रेट पाने के लिए, इन दिशा-निर्देशों का पालन करें:
चेहरे की पहचान करने वाले को कॉन्फ़िगर करें, ताकि चेहरे की बनावट की पहचान की जा सके या चीज़ों की कैटगरी तय की जा सके. साथ ही, लैंडमार्क की पहचान करने की सुविधा का इस्तेमाल किया जा सके.
कंटूर की पहचान
लैंडमार्क की पहचान
क्लासिफ़िकेशन
लैंडमार्क की पहचान करना और उसे अलग-अलग कैटगरी में बांटना
कंटूर की पहचान और लैंडमार्क की पहचान करना
कंटूर की पहचान और उसे अलग-अलग कैटगरी में बांटना
कंटूर की पहचान और उसका पता लगानाFAST
मोड चालू करें (डिफ़ॉल्ट रूप से चालू होता है).कम रिज़ॉल्यूशन में इमेज कैप्चर करें. हालांकि, इस एपीआई की इमेज डाइमेंशन से जुड़ी ज़रूरी शर्तों का भी ध्यान रखें.
Camera
या camera2
एपीआई का इस्तेमाल किया जा रहा है, तो डिटेक्टर को कॉल थ्रॉटल करें. अगर डिटेक्टर चलने के दौरान नया वीडियो फ़्रेम उपलब्ध हो जाता है, तो फ़्रेम छोड़ दें. उदाहरण के लिए,
क्विकस्टार्ट सैंपल ऐप्लिकेशन में
VisionProcessorBase
क्लास देखें.
CameraX
एपीआई का इस्तेमाल किया जाता है, तो पक्का करें कि बैकप्रेस स्ट्रेटजी इसकी डिफ़ॉल्ट वैल्यू
ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
पर सेट हो.
इस बात की गारंटी है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज डिलीवर की जाएगी. अगर विश्लेषक के व्यस्त होने पर ज़्यादा इमेज बनाई जाती हैं, तो उन्हें अपने-आप ही छोड़ दिया जाएगा और डिलीवरी के लिए उन्हें सूची में नहीं रखा जाएगा. विश्लेषण की जा रही इमेज को ImageProxy.करीब() बंद करके, अगली नई इमेज डिलीवर की जाएगी.
CameraSourcePreview
और
GraphicOverlay
क्लास देखें.
ImageFormat.YUV_420_888
फ़ॉर्मैट में कैप्चर करें. अगर आप पुराने Camera API का इस्तेमाल करते हैं, तो इमेज को ImageFormat.NV21
फ़ॉर्मैट में कैप्चर करें.