简单实现一个虚拟形象系统

本文为来自 字节教育-成人与创新前端团队 成员的文章，已授权 ELab 发布。,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：,,下面讲解一下三层CNN网络模型：,,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。,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：,,没错啦，前面的问题的答案就是边缘填充。,,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：,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,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。,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：,,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。,,,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]。,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。,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）,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。,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。,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。,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。,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,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。,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,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。,弹幕场景下：检测人脸，解决弹幕遮挡问题