Web 版人脸检测指南

借助 MediaPipe 人脸检测器任务，您可以检测图片或视频中的人脸。您可以使用此任务在帧中定位人脸和面部特征。此任务使用可处理单张图片或连续图片图像流。该任务会输出人脸位置，以及以下信息面部关键点：左眼、右眼、鼻尖、嘴巴、左眼悲剧以及右眼的悲剧。

以下说明介绍了如何使用网页版和 JavaScript 版人脸检测器。如需详细了解功能、模型和配置选项，请参阅概览。

代码示例

面部检测器的示例代码提供了该 API 的完整实现，供您参考。此代码可帮助您测试此任务，开始构建您自己的人脸检测应用。您可以查看、运行修改人脸检测器示例代码只需使用网络浏览器即可。

设置

本部分介绍设置开发环境的关键步骤专门用于使用人脸检测器。有关设置 Web 和 JavaScript 开发环境平台版本要求，请参阅网页版设置指南。

JavaScript 软件包

人脸检测器代码可通过 MediaPipe @mediapipe/tasks-vision 获取 NPM 软件包。您可以按照平台中的说明查找并下载这些库设置指南。

您可以通过 NPM 安装所需的软件包创建 Deployment

npm install @mediapipe/tasks-vision

如果您想通过内容分发网络 (CDN) 导入任务代码服务，请将以下代码添加到 <head>标记之间：

<!-- You can replace JSDeliver with another CDN if you prefer to -->
<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision/vision_bundle.js"
    crossorigin="anonymous"></script>
</head>

型号

MediaPipe 人脸检测器任务需要一个与此训练兼容的模型，任务。如需详细了解人脸检测器的可用训练模型，请参阅任务概览的“模型”部分。

选择并下载模型，然后将其存储在项目目录中：

<dev-project-root>/app/shared/models/

创建任务

使用其中一个人脸检测器 createFrom...() 函数为运行推理准备任务。使用 createFromModelPath() 函数。如果模型已加载到内存中，您可以使用 createFromModelBuffer() 方法结合使用。

以下代码示例演示了如何使用 createFromOptions() 函数来设置任务。借助 createFromOptions 函数，您可以自定义包含配置选项的人脸检测器。如需详细了解配置选项，请参阅配置选项。

以下代码演示了如何使用自定义的选项：

const vision = await FilesetResolver.forVisionTasks(
  // path/to/wasm/root
  "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision@latest/wasm"
);
const facedetector = await FaceDetector.createFromOptions(
    vision,
    {
      baseOptions: {
        modelAssetPath: "path/to/model"
      },
      runningMode: runningMode
    });

配置选项

此任务具有以下针对 Web 和 JavaScript 的配置选项应用：

选项名称	说明	值范围	默认值
`option_var_1_web_js`	设置任务的运行模式。有两个模式： IMAGE：单图输入的模式。视频：已解码的帧的模式。视频或对输入数据（例如来自摄像头的直播数据）进行直播。	{`IMAGE, VIDEO`}	`IMAGE`
`minDetectionConfidence`	被视为成功的面部检测的最低置信度分数。	`Float [0,1]`	`0.5`
`minSuppressionThreshold`	将人脸检测视为重叠的最小非最大抑制阈值。	`Float [0,1]`	`0.3`

准备数据

人脸检测器可以检测图片中采用托管浏览器该任务还会处理数据输入预处理，包括调整大小、旋转和值归一化。如需检测视频中的人脸，请执行以下操作：您可以利用该 API 根据时间戳和时间戳，一次快速处理一帧。用于确定人脸出现在视频中的时间。

运行任务

人脸检测器使用 detect()（运行模式 image）和要触发的 detectForVideo()（采用运行模式 video）方法推理。任务会处理数据，尝试检测人脸，然后报告结果

会运行对人脸检测器的 detect() 和 detectForVideo() 方法的调用同时阻塞界面线程。如果检测到人脸设备摄像头的视频帧中，每次检测都会屏蔽主要线程。您可以通过实现 Web Worker 来运行 detect()，从而避免这种情况。和 detectForVideo() 方法。

以下代码演示了如何使用任务模型执行处理：

映像

const image = document.getElementById("image") as HTMLImageElement;
const faceDetectorResult = faceDetector.detect(image);

视频

await faceDetector.setOptions({ runningMode: "video" });

let lastVideoTime = -1;
function renderLoop(): void {
  const video = document.getElementById("video");

  if (video.currentTime !== lastVideoTime) {
    const detections = faceDetector.detectForVideo(video);
    processResults(detections);
    lastVideoTime = video.currentTime;
  }

  requestAnimationFrame(() => {
    renderLoop();
  });
}

有关运行人脸检测器任务的更完整实现，请参阅代码示例。

处理和显示结果

人脸检测器会为每个检测生成人脸检测器结果对象运行。结果对象包含以图片坐标表示的人脸和实际的人脸坐标。

以下示例展示了此任务的输出数据：

FaceDetectionResult:
  Detections:
    Detection #0:
      BoundingBox:
        origin_x: 126
        origin_y: 100
        width: 463
        height: 463
      Categories:
        Category #0:
          index: 0
          score: 0.9729152917861938
      NormalizedKeypoints:
        NormalizedKeypoint #0:
          x: 0.18298381567001343
          y: 0.2961040139198303
        NormalizedKeypoint #1:
          x: 0.3302789330482483
          y: 0.29289937019348145
        ... (6 keypoints for each face)
    Detection #1:
      BoundingBox:
        origin_x: 616
        origin_y: 193
        width: 430
        height: 430
      Categories:
        Category #0:
          index: 0
          score: 0.9251380562782288
      NormalizedKeypoints:
        NormalizedKeypoint #0:
          x: 0.6151331663131714
          y: 0.3713381886482239
        NormalizedKeypoint #1:
          x: 0.7460576295852661
          y: 0.38825345039367676
        ... (6 keypoints for each face)

下图直观显示了任务输出：

对于没有边界框的图片，请参阅原始图片。

面部检测器示例代码演示了如何显示结果，请参阅代码示例