您可以使用机器学习套件检测图片和视频中的人脸。
试试看
- 您可以试用示例应用, 查看此 API 的用法示例。
- 使用 亲自试用代码 Codelab。
准备工作
- 在 Podfile 中添加以下机器学习套件 Pod:
pod 'GoogleMLKit/FaceDetection', '15.5.0'
- 安装或更新项目的 Pod 之后,使用 Xcode 项目的
.xcworkspace
。Xcode 12.4 或更高版本支持机器学习套件。
输入图片准则
对于人脸识别,您使用的图片尺寸应至少为 480x360 像素。 为了使机器学习套件准确检测人脸,输入图片必须包含人脸 用足够像素数据表示的图片。一般来说,您需要的 至少应为 100x100 像素如果您想检测 人脸轮廓线,机器学习套件需要更高的分辨率输入: 尺寸至少应为 200x200 像素。
如果在实时应用中检测人脸,您可能还需要 考虑输入图片的整体尺寸。尺寸较小的图片 因此为了缩短延迟时间,请以较低分辨率捕获图片 遵守上述准确性要求,并确保 正文的脸会占据图像的尽可能多的空间。另请参阅 提高实时性能的相关提示。
图片聚焦不佳也会影响准确性。如果不接受 结果,要求用户重新拍摄图片。
人脸相对于镜头的方向也会影响面部的 机器学习套件检测到的功能。请参阅 人脸检测概念。
1. 配置人脸检测器
在对图片应用人脸检测之前,如果您想更改 人脸检测器的默认设置,请使用FaceDetectorOptions
对象。您可以更改
以下设置:
设置 | |
---|---|
performanceMode |
fast (默认值)|accurate
在检测人脸时更注重速度还是准确性。 |
landmarkMode |
none (默认值)|all
是否尝试检测面部“特征点”:眼睛、 耳朵、鼻子、脸颊、嘴巴等所有已检测到的面部特征。 |
contourMode |
none (默认值)|all
是否检测面部特征的轮廓。轮廓线为 仅对图片中最突出的面孔进行检测。 |
classificationMode |
none (默认值)|all
是否将面部分为不同类别,例如“微笑” 以及“睁大眼睛”的程度 |
minFaceSize |
CGFloat (默认值:0.1 )
设置所需的最小面部大小,表示为 即头部的宽度与图片的宽度相等。 |
isTrackingEnabled |
false (默认值)|true
是否为面孔分配可用于跟踪的 ID 人脸识别。 请注意,启用轮廓检测后, 因此面部跟踪生成有用的结果。为此 为了提高检测速度,请勿同时启用 检测和面部跟踪。 |
例如,构建 FaceDetectorOptions
对象,如以下示例中所示:
// High-accuracy landmark detection and face classification
let options = FaceDetectorOptions()
options.performanceMode = .accurate
options.landmarkMode = .all
options.classificationMode = .all
// Real-time contour detection of multiple faces
// options.contourMode = .all
// High-accuracy landmark detection and face classification
MLKFaceDetectorOptions *options = [[MLKFaceDetectorOptions alloc] init];
options.performanceMode = MLKFaceDetectorPerformanceModeAccurate;
options.landmarkMode = MLKFaceDetectorLandmarkModeAll;
options.classificationMode = MLKFaceDetectorClassificationModeAll;
// Real-time contour detection of multiple faces
// options.contourMode = MLKFaceDetectorContourModeAll;
2. 准备输入图片
如需检测图片中的人脸,请将图片作为UIImage
或
CMSampleBufferRef
传输至 FaceDetector
process(_:completion:)
或 results(in:)
方法:
使用 UIImage
或VisionImage
CMSampleBuffer
。
如果您使用 UIImage
,请按以下步骤操作:
- 使用
UIImage
创建一个VisionImage
对象。请务必指定正确的.orientation
。let image = VisionImage(image: UIImage)
visionImage.orientation = image.imageOrientationMLKVisionImage *visionImage = [[MLKVisionImage alloc] initWithImage:image];
visionImage.orientation = image.imageOrientation;
如果您使用 CMSampleBuffer
,请按以下步骤操作:
-
指定
CMSampleBuffer
。如需获取图片方向,请执行以下操作:
func imageOrientation(
deviceOrientation: UIDeviceOrientation,
cameraPosition: AVCaptureDevice.Position
) -> UIImage.Orientation {
switch deviceOrientation {
case .portrait:
return cameraPosition == .front ? .leftMirrored : .right
case .landscapeLeft:
return cameraPosition == .front ? .downMirrored : .up
case .portraitUpsideDown:
return cameraPosition == .front ? .rightMirrored : .left
case .landscapeRight:
return cameraPosition == .front ? .upMirrored : .down
case .faceDown, .faceUp, .unknown:
return .up
}
}
- (UIImageOrientation)
imageOrientationFromDeviceOrientation:(UIDeviceOrientation)deviceOrientation
cameraPosition:(AVCaptureDevicePosition)cameraPosition {
switch (deviceOrientation) {
case UIDeviceOrientationPortrait:
return cameraPosition == AVCaptureDevicePositionFront ? UIImageOrientationLeftMirrored
: UIImageOrientationRight;
case UIDeviceOrientationLandscapeLeft:
return cameraPosition == AVCaptureDevicePositionFront ? UIImageOrientationDownMirrored
: UIImageOrientationUp;
case UIDeviceOrientationPortraitUpsideDown:
return cameraPosition == AVCaptureDevicePositionFront ? UIImageOrientationRightMirrored
: UIImageOrientationLeft;
case UIDeviceOrientationLandscapeRight:
return cameraPosition == AVCaptureDevicePositionFront ? UIImageOrientationUpMirrored
: UIImageOrientationDown;
case UIDeviceOrientationUnknown:
case UIDeviceOrientationFaceUp:
case UIDeviceOrientationFaceDown:
return UIImageOrientationUp;
}
}
- 使用
VisionImage
CMSampleBuffer
对象和方向:let image = VisionImage(buffer: sampleBuffer)
image.orientation = imageOrientation(
deviceOrientation: UIDevice.current.orientation,
cameraPosition: cameraPosition)MLKVisionImage *image = [[MLKVisionImage alloc] initWithBuffer:sampleBuffer];
image.orientation =
[self imageOrientationFromDeviceOrientation:UIDevice.currentDevice.orientation
cameraPosition:cameraPosition];
3. 获取 FaceDetector 的一个实例
获取 FaceDetector
的一个实例:
let faceDetector = FaceDetector.faceDetector(options: options)
MLKFaceDetector *faceDetector = [MLKFaceDetector faceDetectorWithOptions:options];
4. 处理图片
然后,将图片传递给process()
方法:
weak var weakSelf = self
faceDetector.process(visionImage) { faces, error in
guard let strongSelf = weakSelf else {
print("Self is nil!")
return
}
guard error == nil, let faces = faces, !faces.isEmpty else {
// ...
return
}
// Faces detected
// ...
}
[faceDetector processImage:image
completion:^(NSArray<MLKFace *> *faces,
NSError *error) {
if (error != nil) {
return;
}
if (faces.count > 0) {
// Recognized faces
}
}];
5. 获取检测到的人脸的相关信息
如果人脸检测操作成功,人脸检测器将传递一个数组 一组Face
对象传递给完成处理程序。每个
Face
对象表示在图片中检测到的面孔。对于
您可以获取它在输入图像中的边界坐标,
您配置面部检测器查找的任何其他信息。例如:
for face in faces {
let frame = face.frame
if face.hasHeadEulerAngleX {
let rotX = face.headEulerAngleX // Head is rotated to the uptoward rotX degrees
}
if face.hasHeadEulerAngleY {
let rotY = face.headEulerAngleY // Head is rotated to the right rotY degrees
}
if face.hasHeadEulerAngleZ {
let rotZ = face.headEulerAngleZ // Head is tilted sideways rotZ degrees
}
// If landmark detection was enabled (mouth, ears, eyes, cheeks, and
// nose available):
if let leftEye = face.landmark(ofType: .leftEye) {
let leftEyePosition = leftEye.position
}
// If contour detection was enabled:
if let leftEyeContour = face.contour(ofType: .leftEye) {
let leftEyePoints = leftEyeContour.points
}
if let upperLipBottomContour = face.contour(ofType: .upperLipBottom) {
let upperLipBottomPoints = upperLipBottomContour.points
}
// If classification was enabled:
if face.hasSmilingProbability {
let smileProb = face.smilingProbability
}
if face.hasRightEyeOpenProbability {
let rightEyeOpenProb = face.rightEyeOpenProbability
}
// If face tracking was enabled:
if face.hasTrackingID {
let trackingId = face.trackingID
}
}
for (MLKFace *face in faces) {
// Boundaries of face in image
CGRect frame = face.frame;
if (face.hasHeadEulerAngleX) {
CGFloat rotX = face.headEulerAngleX; // Head is rotated to the upward rotX degrees
}
if (face.hasHeadEulerAngleY) {
CGFloat rotY = face.headEulerAngleY; // Head is rotated to the right rotY degrees
}
if (face.hasHeadEulerAngleZ) {
CGFloat rotZ = face.headEulerAngleZ; // Head is tilted sideways rotZ degrees
}
// If landmark detection was enabled (mouth, ears, eyes, cheeks, and
// nose available):
MLKFaceLandmark *leftEar = [face landmarkOfType:FIRFaceLandmarkTypeLeftEar];
if (leftEar != nil) {
MLKVisionPoint *leftEarPosition = leftEar.position;
}
// If contour detection was enabled:
MLKFaceContour *upperLipBottomContour = [face contourOfType:FIRFaceContourTypeUpperLipBottom];
if (upperLipBottomContour != nil) {
NSArray<MLKVisionPoint *> *upperLipBottomPoints = upperLipBottomContour.points;
if (upperLipBottomPoints.count > 0) {
NSLog("Detected the bottom contour of the subject's upper lip.")
}
}
// If classification was enabled:
if (face.hasSmilingProbability) {
CGFloat smileProb = face.smilingProbability;
}
if (face.hasRightEyeOpenProbability) {
CGFloat rightEyeOpenProb = face.rightEyeOpenProbability;
}
// If face tracking was enabled:
if (face.hasTrackingID) {
NSInteger trackingID = face.trackingID;
}
}
面部轮廓的示例
启用人脸轮廓检测后, 检测到的每个面部特征。这些点表示 功能。请参阅人脸 检测概念,详细了解轮廓如何定义 代表性。
下图展示了这些点与人脸的对应关系,请点击 要放大的图片:
实时人脸检测
如果您想在实时应用中使用人脸检测,请按以下方法操作 实现最佳帧速率的准则:
请将人脸检测器配置为使用 面部轮廓检测或分类和特征点检测,但不能同时采用两者:
轮廓检测
地标检测
分类
特征点检测和分类
轮廓检测和特征点检测
轮廓检测和分类
轮廓检测、特征点检测和分类启用
fast
模式(默认启用)。建议以较低的分辨率捕获图片。但请注意 该 API 的图片尺寸要求
- 如需处理视频帧,请使用检测器的
results(in:)
同步 API。致电 此方法(可从 获取)AVCaptureVideoDataOutputSampleBufferDelegate
的captureOutput(_, didOutput:from:)
函数,用于同步获取指定视频的结果 帧。保留AVCaptureVideoDataOutput
的alwaysDiscardsLateVideoFrames
设置为true
,以限制对检测器的调用。如果新的 视频帧在检测器运行时可用,则会丢失。 - 如果您使用检测器的输出在图像上叠加显示 输入图片,首先从机器学习套件获取结果, 和叠加层。通过这种方式,您可以在显示屏上呈现 只对每个已处理的输入帧运行一次。请参阅 updatePreviewOverlayViewWithLastFrame 。