אתם יכולים להשתמש ב-ML Kit כדי לזהות פנים בתמונות ובסרטונים.
| תכונה | לא מקובצים | בחבילה |
|---|---|---|
| הטמעה | המודל יורד באופן דינמי דרך Google Play Services. | המודל מקושר באופן סטטי לאפליקציה בזמן ה-build. |
| גודל האפליקציה | הגודל גדל בכ-800KB. | הגודל גדל בכ-6.9MB. |
| זמן האתחול | יכול להיות שתצטרכו לחכות עד שהמודל יסיים לרדת לפני השימוש הראשון. | המודל זמין באופן מיידי |
רוצה לנסות?
- כדי לראות דוגמה לשימוש ב-API הזה, אתם יכולים להתנסות באפליקציה לדוגמה.
- נסו את הקוד בעצמכם באמצעות codelab.
לפני שמתחילים
בקובץ
build.gradleברמת הפרויקט, צריך לכלול את מאגר ה-Maven של Google בקטעיםbuildscriptו-allprojects.מוסיפים את התלויות של ספריות Android של ML Kit לקובץ Gradle ברמת האפליקציה של המודול, שבדרך כלל נמצא ב-
app/build.gradle. בוחרים באחד מהיחסי התלות הבאים, בהתאם לצרכים שלכם:כדי לכלול את המודל באפליקציה:
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:face-detection:16.1.7' }כדי להשתמש 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 אתם בוחרים להשתמש במודל ב-Google Play Services, אתם יכולים להגדיר את האפליקציה כך שהמודל יורד אוטומטית למכשיר אחרי שהאפליקציה מותקנת מחנות Play. כדי לעשות את זה, מוסיפים את ההצהרה הבאה לקובץ
AndroidManifest.xmlשל האפליקציה:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="face" > <!-- To use multiple models: android:value="face,model2,model3" --> </application>אתם יכולים גם לבדוק באופן מפורש את זמינות המודל ולבקש להוריד אותו דרך ModuleInstallClient API של Google Play Services.
אם לא תפעילו הורדות של מודלים בזמן ההתקנה או תבקשו הורדה מפורשת, המודל יורד בפעם הראשונה שתפעילו את הגלאי. בקשות שתשלחו לפני שההורדה תסתיים לא יניבו תוצאות.
הנחיות לגבי תמונת הקלט
כדי לזהות פנים, צריך להשתמש בתמונה בגודל של לפחות 480x360 פיקסלים. כדי ש-ML Kit יזהה פנים בצורה מדויקת, תמונות הקלט צריכות להכיל פנים שמיוצגות על ידי מספיק נתוני פיקסלים. באופן כללי, כל פנים שרוצים לזהות בתמונה צריכים להיות בגודל של לפחות 100x100 פיקסלים. כדי לזהות את קווי המתאר של הפנים, ערכת ML Kit דורשת קלט ברזולוציה גבוהה יותר: כל פנים צריכות להיות בגודל של לפחות 200x200 פיקסלים.
אם אתם מזהים פנים באפליקציה בזמן אמת, כדאי גם להביא בחשבון את המידות הכוללות של תמונות הקלט. תמונות קטנות יותר מעובדות מהר יותר, כך שכדי לצמצם את זמן האחזור, כדאי לצלם תמונות ברזולוציות נמוכות יותר, אבל חשוב לזכור את דרישות הדיוק שלמעלה ולוודא שפני המצולם תופסים כמה שיותר מהתמונה. כדאי גם לעיין בטיפים לשיפור הביצועים בזמן אמת.
גם תמונה לא ממוקדת יכולה להשפיע על הדיוק. אם לא מתקבלות תוצאות קבילות, צריך לבקש מהמשתמש לצלם מחדש את התמונה.
גם הכיוון של הפנים ביחס למצלמה יכול להשפיע על תווי הפנים ש-ML Kit מזהה. מושגים בנושא זיהוי פנים
1. הגדרת גלאי הפנים
לפני שמפעילים את זיהוי הפנים על תמונה, אם רוצים לשנות את הגדרות ברירת המחדל של זיהוי הפנים, צריך לציין את ההגדרות האלה באמצעות אובייקטFaceDetectorOptions.
אתם יכולים לשנות את ההגדרות הבאות:
| הגדרות | |
|---|---|
setPerformanceMode
|
PERFORMANCE_MODE_FAST (ברירת מחדל)
|
PERFORMANCE_MODE_ACCURATE
העדפת מהירות או דיוק בזיהוי פנים. |
setLandmarkMode
|
LANDMARK_MODE_NONE (ברירת מחדל)
|
LANDMARK_MODE_ALL
אם לנסות לזהות "נקודות ציון" בפנים: עיניים, אוזניים, אף, לחיים, פה וכו'. |
setContourMode
|
CONTOUR_MODE_NONE (ברירת מחדל)
|
CONTOUR_MODE_ALL
הגדרה שקובעת אם לזהות את קווי המתאר של תווי הפנים. קווי המתאר מזוהים רק בפנים הבולטות ביותר בתמונה. |
setClassificationMode
|
CLASSIFICATION_MODE_NONE (ברירת מחדל)
|
CLASSIFICATION_MODE_ALL
אם לסווג פנים לקטגוריות כמו "מחייך" ו "עיניים פקוחות". |
setMinFaceSize
|
float (ברירת מחדל: 0.1f)
הגדרת הגודל הקטן ביותר הרצוי של הפנים, ביחס בין רוחב הראש לרוחב התמונה. |
enableTracking
|
false (ברירת מחדל) | true
אם להקצות לפנים מזהה, שבו אפשר להשתמש כדי לעקוב אחרי פנים בתמונות. שימו לב שכאשר זיהוי קווי מתאר מופעל, רק פנים אחד מזוהה, כך שמעקב אחרי הבעות הפנים לא מפיק תוצאות שימושיות. לכן, וכדי לשפר את מהירות הזיהוי, אל תפעילו גם את זיהוי קווי המתאר וגם את מעקב אחרי הבעות הפנים. |
לדוגמה:
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 התמונה שרוצים להעלות
כדי לזהות פנים בתמונה, יוצרים אובייקטInputImage מ-Bitmap, מ-media.Image, מ-ByteBuffer, ממערך בייטים או מקובץ במכשיר. לאחר מכן, מעבירים את האובייקט InputImage אל השיטה process של FaceDetector.
לזיהוי פנים, צריך להשתמש בתמונה בגודל של לפחות 480x360 פיקסלים. אם אתם מזהים פנים בזמן אמת, צילום פריימים ברזולוציה המינימלית הזו יכול לעזור לצמצם את זמן האחזור.
אפשר ליצור אובייקט InputImage ממקורות שונים, כפי שמוסבר בהמשך.
שימוש בmedia.Image
כדי ליצור אובייקט InputImage מאובייקט media.Image, למשל כשמצלמים תמונה במצלמה של המכשיר, מעבירים את האובייקט media.Image ואת סיבוב התמונה אל InputImage.fromMediaImage().
אם אתם משתמשים בספרייה
CameraX, המחלקות OnImageCapturedListener ו-ImageAnalysis.Analyzer מחשבות 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 אתם לא משתמשים בספריית מצלמה שמספקת את זווית הסיבוב של התמונה, אתם יכולים לחשב אותה לפי זווית 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 זווית הסיבוב אל 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 הקשר האפליקציה ואת ה-URI של הקובץ אל InputImage.fromFilePath(). זה שימושי כשמשתמשים ב-Intent מסוג ACTION_GET_CONTENT כדי לבקש מהמשתמש 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(); }
שימוש ב-ByteBuffer או ב-ByteArray
כדי ליצור אובייקט InputImage מ-ByteBuffer או מ-ByteArray, קודם מחשבים את זווית הסיבוב של התמונה כמו שמתואר למעלה לגבי קלט media.Image.
אחר כך יוצרים את האובייקט InputImage עם המאגר או המערך, יחד עם הגובה, הרוחב, פורמט קידוד הצבע וזווית 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 );
שימוש בBitmap
כדי ליצור אובייקט InputImage מאובייקט Bitmap, צריך להצהיר על הדברים הבאים:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
התמונה מיוצגת על ידי אובייקט Bitmap יחד עם מעלות הסיבוב.
3. מקבלים מופע של FaceDetector
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. מעבדים את 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 פעולת זיהוי הפנים מצליחה, רשימה של אובייקטים מסוגFace מועברת למאזין להצלחה. כל אובייקט Face מייצג פנים שזוהו בתמונה. לכל פנים, אתם יכולים לקבל את הקואורדינטות התוחמות שלהם בתמונת הקלט, וגם כל מידע אחר שהגדרתם לגלאי הפנים למצוא. לדוגמה:
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 פנים
כשמפעילים זיהוי של קווי מתאר של פנים, מקבלים רשימה של נקודות לכל תווי פנים שזוהו. הנקודות האלה מייצגות את צורת התכונה. במאמר מושגים בנושא זיהוי פנים מוסבר איך מיוצגים קווי המתאר.
בתמונה הבאה אפשר לראות איך הנקודות האלה ממופות לפנים. כדי להגדיל את התמונה, לוחצים עליה:
זיהוי פנים בזמן אמת
אם אתם רוצים להשתמש בזיהוי פנים באפליקציה בזמן אמת, כדאי לפעול לפי ההנחיות הבאות כדי להשיג את קצב הפריימים הטוב ביותר:
מגדירים את גלאי הפנים כך שישתמש בזיהוי קווי מתאר של הפנים או בזיהוי סיווג ונקודות ציון, אבל לא בשניהם:
זיהוי קווי מתאר
זיהוי ציוני דרך
סיווג
זיהוי ציוני דרך וסיווג
זיהוי קווי מתאר וזיהוי ציוני דרך
זיהוי קווי מתאר וסיווג
זיהוי קווי מתאר, זיהוי ציוני דרך וסיווגמפעילים את מצב
FAST(מופעל כברירת מחדל).כדאי לצלם תמונות ברזולוציה נמוכה יותר. עם זאת, חשוב לזכור גם את הדרישות של ה-API הזה לגבי מידות התמונה.
Camera או של camera2, כדאי להגביל את הקריאות לגלאי. אם פריים חדש של סרטון הופך לזמין בזמן שהגלאי פועל, צריך להשמיט את הפריים. אפשר לראות דוגמה לכך במחלקה
VisionProcessorBase באפליקציה לדוגמה למתחילים.
CameraX, ודאו שאסטרטגיית הלחץ הנגדי מוגדרת לערך ברירת המחדל שלה
ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST.
כך אפשר להבטיח שרק תמונה אחת תישלח לניתוח בכל פעם. אם נוצרות תמונות נוספות בזמן שהמנתח עסוק, הן יוסרו באופן אוטומטי ולא יועברו לתור. אחרי שהתמונה שמנותחת נסגרת באמצעות קריאה ל-ImageProxy.close(), התמונה הבאה תועבר.
CameraSourcePreview ו-
GraphicOverlay באפליקציה לדוגמה למתחילים.
ImageFormat.YUV_420_888. אם משתמשים ב-Camera API הישן, צריך לצלם תמונות בפורמט ImageFormat.NV21.