大厂技术  坚持周更  精选好文

前言

上周启动居家开会的时候，看到有人通过「虚拟形象」功能，给自己带上了口罩、眼镜之类，于是想到了是不是也可以搞一个简单的虚拟形象系统。

大致想来，分为以下几个部分：

卷积神经网络(CNN)

下面讲解一下三层CNN网络模型：

卷积层——提取特征

卷积层的运算过程如下图，用一个卷积核扫完整张图片：

通过动图能够更好的理解卷积过程，使用一个卷积核（过滤器）来过滤图像的各个小区域，从而得到这些小区域的特征值。

在具体应用中，往往有多个卷积核，每个卷积核代表了一种图像模式（特征规则），如果某个图像块与此卷积核卷积出的值大，则认为此图像块十分接近于此卷积核。如果有N个卷积核，那么就认为图像中有N种底层纹理（特征），即用这N种基础纹理就能描绘出一副图像。

总结： 卷积 层的通过卷积核的过滤提取出图片中局部的特征。

疑问：上图卷积后，存在边缘数据特征提取减少，大家能想到什么方式处理呢？

池化层（下采样）——数据降维，避免过拟合

池化层通常也被叫做下采样，目的是降低数据的维度，减少数据处理量。其过程大致如下：

上图输入时是20×20的，先进行卷积采样，卷积核为10×10，采用最大池化的方式，输出为一个2×2大小的特征图。这样可将数据维度减少了10倍，方便后续模块处理。

总结：池化层相比 卷积 层可以更有效的降低数据维度，不仅可减少运算量，还可以避免 过拟合 。

过拟合是指训练误差和测试误差之间的差距太大。换句换说，就是模型复杂度高于实际问题，模型在训练集上表现很好，但在测试集上却表现很差。模型对训练集"死记硬背"（记住了不适用于测试集的训练集性质或特点），没有理解数据背后的规律，泛化能力差。

全连接层——输出结果

全链接层是将我们最后一个池化层的输出连接到最终的输出节点上。假设，上述CNN的最后一个池化层的输出大小为 [5×5×4]，即 5×5×4=100 个节点。对于当前任务（仅识别🐱、🐶、🐍），我们的输出会是一个三维向量，输出层共 3 个节点，如输出[0.89, 0.1, 0.001]，表示0.89的概率为猫。在实际应用中，通常全连接层的节点数会逐层递减，最终变为n维向量。

举个例子🌰

假设我们有2个检测的特征为「水平边缘」和「垂直边缘」。「垂直边缘」卷积过程如下：

最终结果如下：

Q&A环节

没错啦，前面的问题的答案就是边缘填充。

face-api.js

face-api.js 是基于 tensorflow.js 实现的，内置了一些训练好的模型，这些模型应该是这个方案的核心，通过这些预先训练好的模型，我们可以直接使用而不需要自己再去标注、训练，极大的降低了成本。

主要提供的功能如下：

• 人脸检测：获取一张或多张人脸的边界，可用于确认人脸的位置、数量和大小
• 人脸特征检测：包含68个人脸特征点位，获取眉毛、眼睛、鼻子、嘴、嘴唇、下巴等的位置和形状
• 人脸识别：返回人脸特征向量，可用于辨别人脸
• 人脸表情识别：获取人脸表情特征
• 性别和年龄检测：判断年龄和性别。其中“性别”是判断人脸的女性化或男性化偏向，与真实性别不一定挂钩

人脸检测

针对人脸检测，face-api 提供了 SSD Mobilenet V1 和 The Tiny Face Detector 两个人脸检测模型：

• SSD Mobilenet V1：能够计算图像中每个人脸的位置，并返回边界框以及每个框内包含人脸的概率，但是这个模型有 5.4M，加载需要比较长的时间，弱网环境下加载过于耗时。
• The Tiny Face Detector ：这个模型性能非常好，可以做实时的人脸检测，且只有190kB，但是检测准确性上不如 SSD Mobilenet V1，且在检测比较小的人脸时不太可靠。相对而言，比较适合移动端或者设备资源优先的条件下。

人脸特征检测

针对人脸特征检测， 提供了 68 点人脸特征检测模型，检测这 68 个点的作用是为了后续的人脸对齐，为后续人脸识别做准备，这里提供了两个大小的模型供选择：350kb和80kb，大的模型肯定是更准确，小的模型适合对精确度要求不高，对资源要求占用不高的场景。其输出的区域特征点区间固定如下：

人脸识别

经过人脸检测以及人脸对齐以后，将检测到的人脸输入到人脸识别网络进行识别，从而获得一个128维的人脸特征向量。通过计算两个向量之间的距离（余弦值），就可以判断相似度。

虚拟形象系统

获取人脸图像

目前主流浏览器提供了WebRTC能力，我们可以调用getUserMedia方法指定设备采集音视频数据。其中constrains详情参考 MediaTrackConstraints - Web APIs | MDN^[1]。

const constraints = { audio: true, video: { width: 1280, height: 720 } };
const setLocalMediaStream = (mediaStream: MediaStream) => {
    videoRef.current.srcObject = mediaStream;
}
navigator
    .mediaDevices
    .getUserMedia(constraints)
    .then(setLocalMediaStream)

获取人脸特征

根据官方文档介绍，The Tiny Face Detector模型与人脸特征识别模型组合的效果更好，故本文使用的人脸检测模型是The Tiny Face Detector。

这个模型有两个参数可以调整，包括 inputSize 和 scoreThreshold，默认值是 416 和 0.5。

• inputSize：表示检测范围（人脸边框），值越小检测越快，但是对小脸的检测准确不足，可能会检测不出，如果是针对视频的实时检测，可以设置比较小的值。
• scoreThreshold：是人脸检测得分的阈值，假如在照片中检测不到人脸，可以将这个值调低。

1. 首先我们要选择并加载模型（这里使用官网训练好的模型和权重参数）

// 加载人脸检测模型
await faceApi.nets.tinyFaceDetector.loadFromUri(
    'xxx/weights/',
);
// 加载特征检测模型
await faceApi.nets.faceLandmark68Net.loadFromUri(
    'xxx/weights/',
);

2. 转换人脸检测模型。face-api的人脸检测模型默认是 SSD Mobilenet v1，这里需要显式调整为The Tiny Face Detector模型。

const options = new faceApi.TinyFaceDetectorOptions({
  inputSize,
  scoreThreshold,
});

// 人脸68点位特征集
const result = await faceApi
  .detectSingleFace(videoEl, options) // 人脸检测
  .withFaceLandmarks(); // 特征检测

形象绘制

经过上述计算，我们已经拿到了人脸68点位特征集。需要先计算点位相对坐标信息，然后进行形象绘制。

const canvas = canvasRef.current;
const canvasCtx = canvas.getContext('2d');
const dims = faceApi.matchDimensions(canvas, videoEl, true);
const resizedResult = faceApi.resizeResults(result, dims);

本文使用的是一张256*256的口罩图片，选取1号和16号点位绘制口罩，根据两点位之间的距离缩放口罩大小。

这里主要调研了两种方式，分别是canvas绘制和媒体流绘制。

canvas绘制

首先想到的一种方式，video和canvas大小和位置固定，定时抓取video媒体流中图片，进行识别人脸，然后绘制在canvas上。

const { positions } = resizedResult.landmarks;
const leftPoint = positions[0];
const rightPoint = positions[16];
const length = Math.sqrt(
    Math.pow(leftPoint.x - rightPoint.x, 2) +
      Math.pow(leftPoint.y - rightPoint.y, 2),
);
canvasCtx?.drawImage(
    mask,
    0,
    0,
    265,
    265,
    leftPoint.x,
    leftPoint.y,
    length,
    length,
);

媒体流绘制

canvas提供了一个api叫做 captureStream^[2]，会返回一个继承MediaStream的实例，实时视频捕获画布上的内容（媒体流）。我们可以在canvas上以固定帧率进行图像绘制，获取视频轨道。

这样我们仅需保证video和canvas大小一致，位置无需固定，甚至canvas可以离屏不渲染。

const stream = canvasRef.current.captureStream()!;
  mediaStream = res[0].clone();
  mediaStream.addTrack(stream.getVideoTracks()[0]);
  videoRef.current!.srcObject = mediaStream;

对比

• canvas绘制兼容性更好，但在实时通信场景下，需传递点位信息或端重复计算，容易受网络波动以及硬件设备影响，导致实际绘制出现偏差（依赖端能力）
• 媒体流绘制兼容性较差，但是在直播等场景下效果会更好，在输出端做好已经做好媒体流融合，接收端依托媒体能力播放即可。同时内容也不易篡改

实际效果

因为这里仅使用了2个点位的信息，所以效果一般般。我们完全可以充分利用68个点位全面换肤，实现各种效果。

延伸思考

1. 测评场景下：判断人脸数量、是否是用户本人，自动提醒用户，异常状态记录日志，监控人员可以后台查看

2. 学习场景下：判断用户是否离开屏幕等，提醒用户返回学习状态。

3. 弹幕场景下：检测人脸，解决弹幕遮挡问题

...（欢迎补充）

❤️ 谢谢支持

以上便是本次分享的全部内容，希望对你有所帮助^_^

喜欢的话别忘了 分享、点赞、收藏 三连哦~。