基于blazeface的小程序人脸识别实例，使用超简单

发表时间：2021-1-5

发布人：葵宇科技

浏览次数：134

Feature

基于微信creame的api，对返回的帧使用blazeface解析人脸

blazeface是个啥？是谷歌官方提供的人脸识别模型，简单好用上手快。

如何演示

下载这个仓库，然后在小程序里导入项目即可，appid可以用测试号，代码相对都比较简单，关键的地方加了注释

如何在你的项目里植入blazeface

首先先去申请下tensorflow.js小程序版本的插件，点击链接然后在app.json里声明下，版本号改成最新的

{
  ...
  "plugins": {
    "tfjsPlugin": {
      "version": "0.1.0",
      "provider": "wx6afed118d9e81df9"
    }
  }
  ...
}
复制代码

命令行里npm init一下（如果已经有package.json就不用了）然后往dependencies里加入这些依赖然后npm i

  "dependencies": {
    "@tensorflow-models/blazeface": "0.0.5",
    "@tensorflow/tfjs-converter": "2.0.1",
    "@tensorflow/tfjs-core": "2.0.1",
    "@tensorflow/tfjs-backend-webgl": "2.0.1",
    "@tensorflow/tfjs-backend-cpu": "2.0.1",
    "fetch-wechat": "0.0.3"
  }
复制代码

或者你可以直接npm i @tensorflow-models/blazeface @tensorflow/tfjs-converter @tensorflow/tfjs-core @tensorflow/tfjs-backend-webgl @tensorflow/tfjs-backend-cpu fetch-wechat

在小程序的入口文件app.js里注册tf：

const fetchWechat = require('fetch-wechat');
const tf = require('@tensorflow/tfjs-core');
const webgl = require('@tensorflow/tfjs-backend-webgl');
const plugin = requirePlugin('tfjsPlugin');

App({
  onLaunch: function () {
    plugin.configPlugin({
      // polyfill fetch function
      fetchFunc: fetchWechat.fetchFunc(),
      // inject tfjs runtime
      tf,
      // inject webgl backend
      webgl,
      // provide webgl canvas
      canvas: wx.createOffscreenCanvas()
    });
    ...

复制代码

前往微信开发者工具-菜单栏-工具-构建NPM，本地设置里记得勾上“使用Npm模块”。 OK，正常情况下到这里准备就完成了，但是因为blazeface是google写的，理所当然他们的模型文件会放在tfhub上，那么很有可能你会下载不了他的模型

如果发现进入不了或者后面在使用的时候获取不到model.json这个文件，要到\miniprogram_npm\@tensorflow-models\blazeface\index.js这个文件，然后拉到第12行，

// const BLAZEFACE_MODEL_URL = 'https://tfhub.dev/tensorflow/tfjs-model/blazeface/1/default/1';
async function load({ maxFaces = 10, inputWidth = 128, inputHeight = 128, iouThreshold = 0.3, scoreThreshold = 0.75 } = {}) {
    // const blazeface = await tfconv.loadGraphModel(BLAZEFACE_MODEL_URL, { fromTFHub: true });
    const blazeface = await tfconv.loadGraphModel('https://cdn.hansuku.com/tensorflow/model.json');
    const model = new face_1.BlazeFaceModel(blazeface, inputWidth, inputHeight, maxFaces, iouThreshold, scoreThreshold);
    return model;
}
复制代码

注意我注释的那两段话，我把他原先从tfhub上的资源指向了我自己的OSS里了，你可以在这个项目的model下找到model.json和group1-shard1of1.bin这两个文件，把这两个文件上传到你的OSS，并且保持他们在同一级目录，然后把这里的model.json地址指向你OSS的那个即可。

然后可以开始愉快的写代码了

使用

import * as blazeface from '@tensorflow-models/blazeface';
let tensorModel = null

Page({
  async onReady () {
    tensorModel = await blazeface.load()
  },
})
复制代码

这里就是把blazeface的模型加载出来，我推荐把tensorModel 对象弄到全局，这样方便你后面的方法使用它：

const imgData = { data: new Uint8Array(frame.data), width: frame.width, height: frame.height}
const returnTensors = false
const flipHorizontal = false
const annotateBoxes = false
const predictions = await tensorModel.estimateFaces(imgData, returnTensors, flipHorizontal, annotateBoxes)
复制代码

tensorModel.estimateFaces这个方法允许传入HTMLIMAGE对象、HTMLVIDEO对象、canvas对象和ImageData，但是在小程序里你懂得，我们只能传入canvas对象和ImageData。(如有不正请指教，这个事情我还挺头痛的)

其他参数含义：

returnTensors: 是否返回tensor数据
flipHorizontal: 画面是否需要水平翻转主要针对移动端前置摄像头捕获的画面都是反转的，看实际需求开不开
annotateBoxes: 是否返回五官数据，如果不开启返回的数据里就不会有landmarks这个参数

返回值：

predictions会返回一个数组，如果长度为0就是没检测到人脸，长度是多少就是检测到了多少张人脸。数组中会返回包含人脸在当前画面中从0,0开始偏移的位置信息等，格式如下：

[
  {
    topLeft: [232.28, 145.26],
    bottomRight: [449.75, 308.36],
    probability: [0.998],
    landmarks: [
      [295.13, 177.64], // 右眼
      [382.32, 175.56], // 做眼
      [341.18, 205.03], // 鼻子
      [345.12, 250.61], // 嘴巴
      [252.76, 211.37], // 右耳
      [431.20, 204.93] // 左耳
    ]
  }
]
复制代码