人脸识别api（使用Face-api.js在）
人脸识别api（使用Face-api.js在）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。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。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
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 Microsoft Teams）、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！
Face-api.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“ A Primer on Machine Learning with Python ”。
输入 face-api.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。Face-api.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 face-api.js：
npm install face-api.js
但是，要跳过设置构建工具，我将通过 unpkg.org 包含 UMD 包：
/* globals faceapi */
import 'https://unpkg.com/face-api.js@0.22.2/dist/face-api.min.js';
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face-api.js API。
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Unsplash Source加载随机图像：
function loadRandomImage() {
const image = new Image();
image.crossOrigin = true;
return new Promise((resolve reject) => {
image.addEventListener('error' (error) => reject(error));
image.addEventListener('load' () => resolve(image));
image.src = 'https://source.unsplash.com/512x512/?face friends';
});
}
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：SSD Mobilenet v1 模型（不到 6MB）和 Tiny Face Detector 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 Tiny Face Detector 模型。
下载模型后，我们可以加载它：
await faceapi.nets.tinyFaceDetector.loadFromUri('/models');
我们现在可以加载图像并将其传递给 face-api.js。faceapi.detectAllFaces默认情况下使用 SSD Mobilenet v1 模型，因此我们必须显式传递new faceapi.TinyFaceDetectorOptions()以强制它使用 Tiny Face Detector 模型。
const image = await loadRandomImage();
const faces = await faceapi.detectAllFaces(image new faceapi.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：
const box = {
// Set boundaries to their inverse infinity so any number is greater/smaller
bottom: -Infinity
left: Infinity
right: -Infinity
top: Infinity
// Given the boundaries we can compute width and height
get height() {
return this.bottom - this.top;
}
get width() {
return this.right - this.left;
}
};
// Update the box boundaries
for (const face of faces) {
box.bottom = Math.max(box.bottom face.box.bottom);
box.left = Math.min(box.left face.box.left);
box.right = Math.max(box.right face.box.right);
box.top = Math.min(box.top face.box.top);
}
最后，我们可以创建一个画布并显示结果：
const canvas = document.createElement('canvas');
const context = canvas.getContext('2d');
canvas.height = box.height;
canvas.width = box.width;
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 SSD Mobilenet v1 和 68 Point Face Landmark Detection 模型。
同样，我们需要先加载模型和图像：
await faceapi.nets.faceLandmark68Net.loadFromUri('/models');
await faceapi.nets.ssdMobilenetv1.loadFromUri('/models');
const image = await loadRandomImage();
要获取地标，我们必须附加withFaceLandmarks()函数调用以detectAllFaces()获取地标数据：
const faces = await faceapi
.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 (const face of faces) {
const features = {
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：
function getBoxFromPoints(points) {
const box = {
bottom: -Infinity
left: Infinity
right: -Infinity
top: Infinity
get center() {
return {
x: this.left this.width / 2
y: this.top this.height / 2
};
}
get height() {
return this.bottom - this.top;
}
get width() {
return this.right - this.left;
}
};
for (const point of points) {
box.left = Math.min(box.left point.x);
box.right = Math.max(box.right point.x);
box.bottom = Math.max(box.bottom point.y);
box.top = Math.min(box.top point.y);
}
return box;
}
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 (const eye of [features.eyeLeft features.eyeRight]) {
const eyeBox = getBoxFromPoints(eye);
const fontSize = 6 * eyeBox.height;
context.font = `${fontSize}px/${fontSize}px serif`;
context.textAlign = 'center';
context.textBaseline = 'bottom';
context.fillStyle = '#000';
context.fillText('' eyeBox.center.x eyeBox.center.y 0.6 * fontSize);
}
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Face-api.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 face-api.js 来进行业余项目、实验，也许还有 MVP。
