[[271667]]

本文為大家介紹的是一款在瀏覽器端運行的人臉識別框架，即Face-api.js 。它基于TensorFlow.js，完成了從人臉檢測，提取特征點，計算描述符和人臉匹配等一系列步驟。

由于此框架的易用性，通過寥寥幾行JavaScript代碼即可完成端到端的識別，以下介紹人臉識別的一般步驟：

人臉檢測

首先，我們從圖片或者視頻幀中定位出人臉位置。框架為我們提供了三種用于人臉檢測的模型。

Tiny Face Detector

Tiny Face Detector是一款性能非常高的實時人臉檢測器，與SSD Mobilenet V1人臉檢測器相比，它更快，更小，資源消耗更少，作為回報，它在檢測小臉時的表現稍差。這個型號極具移動性和網絡友好性，因此它應該是移動設備和資源有限的客戶端上的GO-TO人臉檢測器。量化模型的大小僅為190 KB（tiny_face_detector_model）。

SSD Mobilenet V1

對于面部檢測，該項目實現了基于MobileNetV1的SSD（單次多盒檢測器）。神經網絡將計算圖像中每個面部的位置，并將返回邊界框以及每個面部的概率。該面部檢測器旨在獲得檢測面部邊界框而不是低推理時間的高精度。量化模型的大小約為5.4 MB（ssd_mobilenetv1_model）。

MTCNN

MTCNN（多任務級聯卷積神經網絡）代表了SSD Mobilenet v1和Tiny Yolo v2的替代面部檢測器，它提供了更多的配置空間。通過調整輸入參數，MTCNN應該能夠檢測各種面部邊界框大小。MTCNN是一個3級級聯CNN，它同時返回5個面部標志點以及每個面的邊界框和分數。此外，型號尺寸僅為2MB。

提取68個特征點

該套件實現了一個非常輕巧，快速，準確的68點面部標志探測器。默認模型的大小僅為350kb（face_landmark_68_model），微小模型僅為80kb（face_landmark_68_tiny_model）。兩種模型都采用深度可分離卷積以及密集連接塊的思想。此外，模型已經在一個標有68個面部標志點的約35k個面部圖像的數據集上進行了訓練。

計算描述符

對于面部識別，實現類似ResNet-34的體系結構以從任何給定面部圖像計算面部描述符（具有128個值的特征向量），其用于描述人臉的特征。該模型不僅僅用于訓練的面部集合，這意味著您可以將其用于任何人的面部識別，例如您自己。您可以通過比較它們的面部描述符來確定兩個任意面的相似性，例如通過計算歐氏距離或使用您選擇的任何其他分類器。

完成人臉識別

基于描述符，可以構建人臉識別匹配器。將其于視頻幀中人臉描述符對比，若存在，則可輸出人名及相似度。

補充

此外，項目還有其獨特的表情檢測和年齡檢測功能，具體代碼使用可見github開源項目。

https://github.com/justadudewhohacks/face-api.js

以下為額外功能效果圖：