人脸识别——使用谷歌Firebase-ML Kit实现_mlkit 人脸对比

一，前期基础知识储备

1）Firebae是什么？

由 Google 提供支持，基于 Google 基础架构而构建，可以自动扩缩的全面移动开发平台。

官网地址：https://firebase.google.com/

2）ML Kit是什么？

Firebase提供的面向移动开发者的机器学习产品。

官网地址：https://firebase.google.com/products/ml-kit/

文档地址：https://firebase.google.com/docs/ml-kit/

机器学习套件将 Google 的机器学习技术（如 Google Cloud Vision API、TensorFlow Lite 和 Android Neural Networks API）聚集到单个 SDK 中，使您可以在自己的应用中轻松使用机器学习技术。无论您是需要强大的云端处理能力、针对移动设备进行了优化的设备端模型的实时功能，还是自定义 TensorFlow Lite 模型的灵活性，机器学习套件都只需几行代码即可实现。

功能合集：

二，上代码，具体实现

在 Android 上使用机器学习套件检测人脸：https://firebase.google.com/docs/ml-kit/android/detect-faces

1）准备工作：

① 请将Firebase添加到Android项目中（如果尚未添加）。

对于人脸识别而言，需要先在Firebase控制台进行注册，用应用的包名生成一个Json文件，然后将该文件放置到项目中。

测试使用，可直接拿本示例项目的Json文件，文末给出。

② 请务必在您的项目级 build.gradle 文件的 buildscript 和 allprojects 部分添加 Google 的 Maven 代码库。

repositories {
        google()
        jcenter()
    }
 
... ...
allprojects {
    repositories {
        google()
        jcenter()
    }
}

③ 将 Android 版机器学习套件库的依赖项添加到您的模块（应用级）Gradle 文件（通常为 app/build.gradle）：

    // ML Kit dependencies
    compile 'com.google.firebase:firebase-core:16.0.9'
    compile 'com.google.firebase:firebase-ml-vision:20.0.0'
    compile 'com.google.firebase:firebase-ml-vision-face-model:17.0.2'

2）输入图片指南：

为了使机器学习套件准确检测人脸，输入图片必须包含由足够像素数据表示的人脸。通常，要在图片中检测的每个人脸应至少为 100x100 像素。如果要检测人脸轮廓，机器学习套件需要更高的分辨率输入：每个人脸应至少为 200x200 像素。

如果您是在实时应用中检测人脸，则可能还需要考虑输入图片的整体尺寸。较小图片的处理速度相对较快，因此，为了减少延迟时间，请以较低的分辨率捕获图片（牢记上述准确性要求），并确保主体的面部在图片中占尽可能大的部分。

① 配置面部检测器 FirebaseVisionFaceDetectorOptions

FirebaseVisionFaceDetectorOptions options =
                        new FirebaseVisionFaceDetectorOptions.Builder()
                                .setPerformanceMode(FirebaseVisionFaceDetectorOptions.FAST)
                                .setContourMode(FirebaseVisionFaceDetectorOptions.ALL_CONTOURS)
                                .build();

② 运行面部检测器 FirebaseVisionImage

要检测图片中的人脸，请基于设备上的以下资源创建一个 FirebaseVisionImage 对象：Bitmap、media.Image、ByteBuffer、字节数组或文件。然后，将 FirebaseVisionImage 对象传递给 FirebaseVisionFaceDetector 的 detectInImage 方法。

对于人脸识别，您使用的图片尺寸应至少为 480x360 像素。如果您要实时识别人脸，以此最低分辨率捕获帧有助于减少延迟时间。

1. 通过图片创建 FirebaseVisionImage 对象

FirebaseVisionImage image = FirebaseVisionImage.fromBitmap(bitmap);

每种输入的方式都有不同，文档里有详细的阐述，可以根据自己的项目，实际选取对应的方式。

2. 获取 FirebaseVisionFaceDetector 的一个实例：

FirebaseVisionFaceDetector detector = FirebaseVision.getInstance()
        .getVisionFaceDetector(options);

3. 最后，将图片传递给 detectInImage 方法：

Task<List<FirebaseVisionFace>> result =
        detector.detectInImage(image)
                .addOnSuccessListener(
                        new OnSuccessListener<List<FirebaseVisionFace>>() {
                            @Override
                            public void onSuccess(List<FirebaseVisionFace> faces) {
                                // Task completed successfully
                                // ...
                            }
                        })
                .addOnFailureListener(
                        new OnFailureListener() {
                            @Override
                            public void onFailure(@NonNull Exception e) {
                                // Task failed with an exception
                                // ...
                            }
                        });

3）获取检测到的面部的相关信息：

如果人脸识别操作成功，系统会向成功侦听器传递一组 FirebaseVisionFace 对象。每个 FirebaseVisionFace 对象都代表一张在图片中检测到的面孔。对于每张面孔，您可以获取它在输入图片中的边界坐标，以及您已配置面部检测器查找的任何其他信息。

① 自定义“点”类，用以存储人脸识别的点位：

public class MyPoint {
    public double x;
    public double y;
 
    public MyPoint(double x, double y){
        this.x = x;
        this.y = y;
    }
 
    public double getX(){
        return x;
    }
 
    public double getY(){
        return y;
    }
 
}

② 获取点位和这张图片，然后将点位画出来：

    public Bitmap drawMlkiLandmarks(Bitmap bitmap, ArrayList<MyPoint> facePoints) {
        Log.d(TAG, "drawMlkiLandmarks: 1," + bitmap);
        Log.d(TAG, "drawMlkiLandmarks: 2," + facePoints);
        Bitmap bitmap3 = bitmap.copy(bitmap.getConfig(), true);
        Canvas canvas = new Canvas(bitmap3);
        for (int j = 0; j < facePoints.size(); j++) {
            int cx = (int) facePoints.get(j).x;
            int cy = (int) facePoints.get(j).y;
            Log.d(TAG, "drawMlkiLandmarks: " + j + ",," + cx + ",," + cy);
            paint.setStyle(Paint.Style.FILL_AND_STROKE);
            paint.setColor(Color.GREEN);
            paint.setStrokeWidth(3f);
            textPaint.setStrokeWidth(35f);
            textPaint.setColor(Color.WHITE);
 
            canvas.drawCircle(cx, cy, 3f, paint);
            canvas.drawText(String.valueOf(j), cx, cy, textPaint);
        }
        Log.d(TAG, "drawMlkiLandmarks: 3," + bitmap3);
        img.setImageBitmap(bitmap3);
        return bitmap3;
    }

以下是笔者的运行结果 —— 一共识别点位128个：运行在模拟器上，图片可能不够清晰。

另外，我们可以单独拿到各个点位，这样就可以对单个或多个点位进行攫取和调整，实际项目中非常方便。

 

最后给出主干代码，可以直接运行。

Activity代码：

public class StillImageActivity extends AppCompatActivity {
    private static final String TAG = "StillImageActivity";
    private ImageView img;
    private Bitmap bitmap;
    private Paint paint;
 
    @Override
    protected void onCreate(@Nullable Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_stillimage);
        img = findViewById(R.id.img);
        imgTwo = findViewById(R.id.img_two);
        bitmap = BitmapFactory.decodeResource(this.getResources(), R.drawable.face_3);
 
        paint = new Paint();
        initMlkiFace(bitmap);
 
    }
 
    private volatile FirebaseVisionFaceDetector detector;
 
    private void initMlkiFace(final Bitmap bitmap) {
        final float scaleX = 1;
        final float scaleY = 1;
        final float transX = 0;
        final float transY = 0;
        if (bitmap != null) {
            FirebaseVisionImage image = FirebaseVisionImage.fromBitmap(bitmap);
            if (detector == null) {
                FirebaseVisionFaceDetectorOptions options =
                        new FirebaseVisionFaceDetectorOptions.Builder()
                                .setPerformanceMode(FirebaseVisionFaceDetectorOptions.FAST)
                                .setContourMode(FirebaseVisionFaceDetectorOptions.ALL_CONTOURS)
                                .build();
                detector = FirebaseVision.getInstance().getVisionFaceDetector(options);
            }
            detector.detectInImage(image).addOnSuccessListener(new OnSuccessListener<List<FirebaseVisionFace>>() {
                @Override
                public void onSuccess(List<FirebaseVisionFace> faces) {
                    Log.d(TAG, "onSuccess: 识别成功");
                    ArrayList<MyPoint> facePoints = new ArrayList<>();
                    facePoints.clear();
                    if (faces.size() > 0) {
                        for (int i = 0; i < 1; i++) {
                            List<FirebaseVisionPoint> contour = faces.get(i).getContour(FirebaseVisionFaceContour.ALL_POINTS).getPoints();
                            for (int j = 0; j < contour.size(); j++) {
                                MyPoint myPoint = new MyPoint(contour.get(j).getX() * scaleX + transX, contour.get(j).getY() * scaleY + transY);
                                facePoints.add(myPoint);
                            }
                        }
                    }
                    drawMlkiLandmarks(bitmap, facePoints);
                    try {
                        if (detector != null) {
                            detector.close();
                            detector = null;
                        }
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
            }).addOnFailureListener(new OnFailureListener() {
                @Override
                public void onFailure(@NonNull Exception e) {
                    Log.d(TAG, "onFailure: 识别失败" + e);
                    ArrayList<MyPoint> facePoints = new ArrayList<>();
                    facePoints.clear();
                    drawMlkiLandmarks(bitmap, facePoints);
                    try {
                        if (detector != null) {
                            detector.close();
                            detector = null;
                        }
                    } catch (IOException e1) {
                        e1.printStackTrace();
                    }
                }
            });
        }
    }
 
    public Bitmap drawMlkiLandmarks(Bitmap bitmap, ArrayList<MyPoint> facePoints) {
        Log.d(TAG, "drawMlkiLandmarks: 1," + bitmap);
        Log.d(TAG, "drawMlkiLandmarks: 2," + facePoints);
        Bitmap bitmap3 = bitmap.copy(bitmap.getConfig(), true);
        Canvas canvas = new Canvas(bitmap3);
        for (int j = 0; j < facePoints.size(); j++) {
            int cx = (int) facePoints.get(j).x;
            int cy = (int) facePoints.get(j).y;
            Log.d(TAG, "drawMlkiLandmarks: " + j + ",," + cx + ",," + cy);
            paint.setStyle(Paint.Style.FILL_AND_STROKE);
            paint.setColor(Color.GREEN);
            paint.setStrokeWidth(3f);
            textPaint.setStrokeWidth(35f);
            textPaint.setColor(Color.WHITE);
 
            canvas.drawCircle(cx, cy, 3f, paint);
            canvas.drawText(String.valueOf(j), cx, cy, textPaint);
        }
        Log.d(TAG, "drawMlkiLandmarks: 3," + bitmap3);
        img.setImageBitmap(bitmap3);
        return bitmap3;
    }
 
}

本项目Json文件：google-services.json，注意文件名不可更改。

注意，两个package_name需要同自己的项目保持一致。

{
  "project_info": {
    "project_number": "48812919930",
    "firebase_url": "https://mlkit-a1dbd.firebaseio.com",
    "project_id": "mlkit-a1dbd",
    "storage_bucket": "mlkit-a1dbd.appspot.com"
  },
  "client": [
    {
      "client_info": {
        "mobilesdk_app_id": "1:48812919930:android:3b4e1d01e0aecbef",
        "android_client_info": {
          "package_name": "com.google.mlkit"
        }
      },
      "oauth_client": [
        {
          "client_id": "48812919930-ghfk9cm82ojhurb1uou7le4u42v10esv.apps.googleusercontent.com",
          "client_type": 1,
          "android_info": {
            "package_name": "com.google.mlkit",
            "certificate_hash": "0956e1fccbb13565a4543708cbf648a0858ffc43"
          }
        },
        {
          "client_id": "48812919930-ouugkae6qhraaf6b97h3ea2fvd187lrh.apps.googleusercontent.com",
          "client_type": 3
        },
        {
          "client_id": "48812919930-ouugkae6qhraaf6b97h3ea2fvd187lrh.apps.googleusercontent.com",
          "client_type": 3
        }
      ],
      "api_key": [
        {
          "current_key": "AIzaSyDorgdUVL_rlk8IGrX9x5IdYvAAt-sx7M0"
        }
      ],
      "services": {
        "analytics_service": {
          "status": 1
        },
        "appinvite_service": {
          "status": 2,
          "other_platform_oauth_client": [
            {
              "client_id": "48812919930-ouugkae6qhraaf6b97h3ea2fvd187lrh.apps.googleusercontent.com",
              "client_type": 3
            }
          ]
        },
        "ads_service": {
          "status": 2
        }
      }
    }
  ],
  "configuration_version": "1"
}

 

最后，使用ML Kit，不仅能够识别静态图片的点位，摄像头获取的动态帧数据流人脸的点位也可以获取到。所以在相机项目中的人脸识别也可以使用ML Kit来进行人脸识别。