אתם יכולים להשתמש ב-ML Kit כדי לזהות פנים בתמונות ובסרטונים.
התכונה | לא בחבילה | בחבילה |
---|---|---|
הטמעה | ההורדה של המודל מתבצעת באופן דינמי דרך Google Play Services. | המודל מקושר באופן סטטי לאפליקציה בזמן ה-build. |
גודל האפליקציה | הגדלה של כ-800KB. | הגדלה של כ-6.9MB. |
זמן אתחול | ייתכן שיהיה צורך להמתין להורדת המודל לפני השימוש הראשון. | המודל זמין באופן מיידי |
אני רוצה לנסות
- אפשר לנסות את האפליקציה לדוגמה כדי לראות דוגמה לשימוש ב-API הזה.
- אפשר לנסות את הקוד בעצמכם באמצעות codelab.
לפני שמתחילים
בקובץ
build.gradle
ברמת הפרויקט, חשוב לכלול את מאגר Maven של Google בקטעbuildscript
וגם בקטעallprojects
.מוסיפים את יחסי התלות של ספריות ML Kit ל-Android לקובץ ההדרגתיות של המודול ברמת האפליקציה, שהוא בדרך כלל
app/build.gradle
. בוחרים אחת מיחסי התלות הבאים בהתאם לצרכים שלכם:כדי לקבץ את המודל עם האפליקציה:
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:face-detection:16.1.6' }
לשימוש במודל ב-Google Play Services:
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' }
אם בוחרים להשתמש במודל ב-Google Play Services, אפשר להגדיר שהאפליקציה תוריד את המודל למכשיר באופן אוטומטי אחרי שהתקנתם אותה מחנות Play. כדי לעשות זאת, צריך להוסיף את ההצהרה הבאה לקובץ
AndroidManifest.xml
של האפליקציה:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="face" > <!-- To use multiple models: android:value="face,model2,model3" --> </application>
תוכלו גם לבדוק במפורש את זמינות המודל ולבקש הורדה באמצעות ModuleInstallClient API בשירותים של Google Play.
אם לא מפעילים הורדות של המודל בזמן ההתקנה או מבקשים הורדה מפורשת, תתבצע הורדה של המודל בפעם הראשונה שמריצים את הגלאי. בקשות ששולחים לפני שההורדה הושלמה לא מניבות תוצאות.
הנחיות לבחירת תמונה לקלט
לזיהוי פנים, עליך להשתמש בתמונה במידות של 480x360 פיקסלים לפחות. כדי ש-ML Kit יוכל לזהות פרצופים באופן מדויק, תמונות הקלט צריכות להכיל פנים שמיוצגות על ידי נתוני פיקסלים מספיקים. באופן כללי, כל פנים שרוצים לזהות בתמונה צריכות להיות בגודל של לפחות 100x100 פיקסלים. כדי לזהות את קווי המתאר של הפנים, השימוש ב-ML Kit מחייב קלט ברזולוציה גבוהה יותר: המידות של כל פנים צריכות להיות לפחות 200x200 פיקסלים.
אם מזהים פנים באפליקציה בזמן אמת, מומלץ גם להתייחס לממדים הכוללים של תמונות הקלט. תמונות קטנות יותר יעובדו מהר יותר, ולכן כדי לקצר את זמן האחזור, כדאי לצלם תמונות ברזולוציות נמוכות יותר. עם זאת, חשוב לזכור את דרישות הדיוק שפורטו למעלה ולוודא שהפנים של האדם הזה תופסים כמה שיותר משטח התמונה. ראו גם טיפים לשיפור הביצועים בזמן אמת.
גם מיקוד לא טוב של התמונה יכול להשפיע על הדיוק. אם לא מתקבלות תוצאות מקובלות, יש לבקש מהמשתמש לצלם מחדש את התמונה.
גם הכיוון של הפנים ביחס למצלמה יכול להשפיע על תכונות הפנים ש-ML Kit מזהה. ראו מושגים של זיהוי פנים.
1. הגדרת מזהה הפנים
לפני שמפעילים זיהוי פנים על תמונה, אם רוצים לשנות אחת מהגדרות ברירת המחדל של מזהה הפנים, צריך לציין את ההגדרות האלה באמצעות אובייקטFaceDetectorOptions
.
אפשר לשנות את ההגדרות הבאות:
הגדרות | |
---|---|
setPerformanceMode
|
PERFORMANCE_MODE_FAST (ברירת מחדל)
|
PERFORMANCE_MODE_ACCURATE
העדף מהירות או דיוק בעת זיהוי פנים. |
setLandmarkMode
|
LANDMARK_MODE_NONE (ברירת מחדל)
|
LANDMARK_MODE_ALL
אם לנסות לזהות "סימנייה" לפנים: עיניים, אוזניים, אף, לחיים, פה וכו'. |
setContourMode
|
CONTOUR_MODE_NONE (ברירת מחדל)
|
CONTOUR_MODE_ALL
האם לזהות את קווי המתאר של תווי הפנים. המערכת מזהה קווי מתאר רק של הפנים הבולטות ביותר בתמונה. |
setClassificationMode
|
CLASSIFICATION_MODE_NONE (ברירת מחדל)
|
CLASSIFICATION_MODE_ALL
האם לסווג פנים לקטגוריות כמו "חיוך", ו "עיניים פקוחות". |
setMinFaceSize
|
float (ברירת המחדל: 0.1f )
הגדרה של גודל הפנים הרצוי הקטן ביותר, מבוטא כיחס בין רוחב הראש לרוחב התמונה. |
enableTracking
|
false (ברירת מחדל) | true
האם להקצות או לא להקצות מזהה לפנים, שיכול לשמש למעקב אחר פנים בתמונות שונות. לתשומת ליבך, כאשר זיהוי קווי המתאר מופעל, רק פנים אחדות מזוהות, ולכן מעקב הפנים לא מניב תוצאות מועילות. לכן, וכדי לשפר את מהירות הזיהוי, אין להפעיל גם זיהוי קווי מתאר וגם מעקב אחר פנים. |
למשל:
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. הכנת תמונת הקלט
על מנת לזהות פנים בתמונה, צריך ליצור אובייקטInputImage
ממערך של Bitmap
, media.Image
, ByteBuffer
, או מקובץ במכשיר. לאחר מכן, מעבירים את האובייקט InputImage
ל-method process
של FaceDetector
.
לזיהוי פנים, עליך להשתמש בתמונה במידות של 480x360 פיקסלים לפחות. אם אתם מזהים פנים בזמן אמת, צילום פריימים ברזולוציה המינימלית הזו יכול לעזור לכם לקצר את זמן האחזור.
ניתן ליצור אובייקט InputImage
ממקורות שונים. בהמשך מוסבר על כל אחד מהם.
באמצעות media.Image
כדי ליצור אובייקט InputImage
מאובייקט media.Image
, למשל כשמצלמים תמונה ממצלמת המכשיר, צריך להעביר את האובייקט media.Image
ואת הסיבוב של התמונה אל InputImage.fromMediaImage()
.
אם משתמשים בספריית
CameraX, המחלקות OnImageCapturedListener
ו-ImageAnalysis.Analyzer
מחשבים את ערך הסיבוב בשבילכם.
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 // ... } } }
אם לא משתמשים בספריית מצלמה כדי לקבל את מידת הסיבוב של התמונה, אפשר לחשב אותה לפי מידת הסיבוב של המכשיר והכיוון של חיישן המצלמה במכשיר:
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; }
לאחר מכן מעבירים את האובייקט media.Image
ואת
ערך מעלה הסיבוב ל-InputImage.fromMediaImage()
:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
שימוש ב-URI של קובץ
כדי ליצור אובייקט InputImage
מ-URI של קובץ, מעבירים את ההקשר של האפליקציה ואת ה-URI של הקובץ אל InputImage.fromFilePath()
. האפשרות הזו שימושית כשמשתמשים ב-Intent של ACTION_GET_CONTENT
כדי לבקש מהמשתמשים לבחור תמונה מאפליקציית הגלריה.
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(); }
באמצעות ByteBuffer
או ByteArray
כדי ליצור אובייקט InputImage
מ-ByteBuffer
או מ-ByteArray
, קודם צריך לחשב את מעלות סיבוב התמונה כפי שתואר קודם עבור קלט media.Image
.
לאחר מכן יוצרים את האובייקט InputImage
עם מאגר הנתונים הזמני או המערך, יחד עם הגובה, הרוחב, פורמט קידוד הצבע ומידת הסיבוב של התמונה:
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 );
באמצעות Bitmap
כדי ליצור אובייקט InputImage
מאובייקט Bitmap
, צריך להשתמש בהצהרה הבאה:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
התמונה מיוצגת על ידי אובייקט Bitmap
יחד עם מעלות סיבוב.
3. אחזור של מופע זיהוי פנים
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. עיבוד התמונה
מעבירים את התמונה ל-methodprocess
:
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. קבלת מידע על פנים שזוהו
אם הפעולה של זיהוי הפנים מצליחה, רשימה שלFace
אובייקטים מועברים למאזין. כל אובייקט Face
מייצג פנים שזוהו בתמונה. אפשר לקבל את הקואורדינטות התוחמות של כל פנים בתמונת הקלט, וגם כל מידע אחר שהגדרתם באמצעות מזהה הפנים. למשל:
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(); } }
דוגמה לקווי מתאר של הפנים
כשמפעילים את התכונה 'זיהוי קווי פנים', מוצגת רשימה של נקודות לכל תכונת פנים שזוהתה. הנקודות האלה מייצגות את הצורה של התכונה. פרטים על האופן שבו קווי מתאר מיוצגים זמינים במאמר מושגים של זיהוי פנים.
התמונה הבאה ממחישה איך הנקודות האלה ממופות לפנים. אפשר ללחוץ על התמונה כדי להגדיל אותה:
זיהוי פנים בזמן אמת
אם אתם רוצים להשתמש בזיהוי פנים באפליקציה בזמן אמת, עליכם לפעול לפי ההנחיות הבאות כדי לשמור על קצב הפריימים הטוב ביותר:
הגדירו את מזהה הפנים כך שישתמשו בזיהוי קווי פנים או בסיווג ובזיהוי של ציוני דרך, אבל לא בשניהם:
זיהוי קווי מתאר
זיהוי של ציוני דרך
סיווג
זיהוי וסיווג של ציוני דרך
זיהוי קווי מתאר וציוני דרך
זיהוי וסיווג קווי מתאר
זיהוי קווי מתאר, זיהוי וסיווג של ציוני דרךהפעלת מצב
FAST
(מופעל כברירת מחדל).כדאי לצלם תמונות ברזולוציה נמוכה יותר. עם זאת, חשוב לזכור גם את הדרישות לגבי מידות התמונה של ה-API הזה.
Camera
או
camera2
, אפשר לווסת קריאות לגלאי. אם מתפנה פריים חדש
של וידאו בזמן שהמזהה פועל, צריך לשחרר אותו. כדי לראות דוגמה, אפשר לעיין בכיתה
VisionProcessorBase
באפליקציה לדוגמה של המדריך למתחילים.
CameraX
API,
חשוב לוודא ששיטת הלחץ הזמני מוגדרת לערך ברירת המחדל שלה
ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
.
כך אפשר להבטיח שרק תמונה אחת תוצג לניתוח בכל פעם. אם נוצרות תמונות נוספות
כשהניתוח עמוס, הן יושמטו באופן אוטומטי ולא ימתינו
בתור למשלוח. לאחר סגירת התמונה שמנותחת על ידי קריאה ל-ImageProxy.close(), תוצג התמונה העדכנית ביותר הבאה.
CameraSourcePreview
ו-
GraphicOverlay
באפליקציה לדוגמה של המדריך למתחילים.
ImageFormat.YUV_420_888
. אם משתמשים בגרסה הישנה של Camera API, צריך לצלם תמונות
בפורמט ImageFormat.NV21
.