號外！號外！現在人們終於可以在瀏覽器中進行人臉識別了！本文將為大家介紹「face-api.js」，這是一個建立在「tensorflow.js」核心上的 javascript 模組，它實現了三種卷積神經網路（CNN）架構，用於完成人臉檢測、識別和特徵點檢測任務。
face-api.js：https://github.com/justadudewhohacks/face-api.js
TensorFlow.js：https://github.com/tensorflow/tfjs-core
像往常一樣，我們將檢視一個簡單的程式碼示例，這將使你能立即通過短短几行程式碼中的程式包開始瞭解這個 API。讓我們開始吧！
我們已經有了「face-recognition.js」，現在又來了另一個同樣的程式包？
如果你閱讀過本文作者另一篇關於「node.js」環境下進行人臉識別的文章《Node.js + face-recognition.js : Simple and Robust Face Recognition using Deep Learning》（Node.js + face-recognition.js：通過深度學習實現簡單而魯棒的人臉識別）（https://medium.com/@muehler.v/node-js-face-recognition-js-simple-and-robust-face-recognition-using-deep-learning-ea5ba8e852），你就會知道他在之前組裝過一個類似的程式包，例如「face-recgnition.js」，從而為「node.js」引入了人臉識別功能。
起初，作者並沒有預見到 JavaScript 社群對與人臉識別程式包的需求程度如此之高。對許多人而言，「face-recognition.js」似乎是一個不錯的、能夠免費試用的開源選項，它可以替代由微軟或亞馬遜等公司提供的付費人臉識別服務。但是作者曾多次被問道：是否有可能在瀏覽器中執行完整的人臉識別的工作流水線？
多虧了「tensorflow.js」，這種設想最終變為了現實！作者設法使用「tf.js
」核心實現了部分類似的工具，它們能得到和「face-recognition.js」幾乎相同的結果，但是作者是在瀏覽器中完成的這項工作！而且最棒的是，這套工具不需要建立任何的外部依賴，使用它非常方便。並且這套工具還能通過 GPU 進行加速，相關操作可以使用 WebGL 執行。
這足以讓我相信，JavaScript 社群需要這樣的一個為瀏覽器環境而編寫的程式包！可以設想一下你能通過它構建何種應用程式。
如何利用深度學習解決人臉識別問題
如果想要儘快開始實戰部分，那麼你可以跳過這一章，直接跳到程式碼分析部分去。但是為了更好地理解「face-api.js」中為了實現人臉識別所使用的方法，我強烈建議你順著這個章節閱讀下去，因為我常常被人們問到這個問題。
為簡單起見，我們實際想要實現的目標是在給定一張人臉的影象時，識別出影象中的人。為了實現這個目標，我們需要為每一個我們想要識別的人提供一張（或更多）他們的人臉影象，並且給這些影象打上人臉主人姓名的標籤作為參考資料。現在，我們將輸入影象和參考資料進行對比，找到與輸入影象最相似的參考影象。如果有兩張影象都與輸入足夠相似，那麼我們輸出人名，否則輸出「unknown」（未知）。
聽起來確實是個好主意！然而，這個方案仍然存在兩個問題。首先，如果我們有一張顯示了多人的影象，並且我們需要識別出其中所有的人，將會怎樣呢？其次，我們需要建立一種相似度度量手段，用來比較兩張人臉影象。
人臉檢測
我們可以從人臉檢測技術中找到第一個問題的答案。簡單地說，我們將首先定位輸入影象中的所有人臉。「face-api.js」針對人臉檢測工作實現了一個 SSD（Single Shot Multibox Detector）演算法，它本質上是一個基於 MobileNetV1 的卷積神經網路（CNN），在網路的頂層加入了一些人臉邊框預測層。
該網路將返回每張人臉的邊界框，並返回每個邊框相應的分數，即每個邊界框表示一張人臉的概率。這些分數被用於過濾邊界框，因為可能存在一張圖片並不包含任何一張人臉的情況。請注意，為了對邊界框進行檢索，即使影象中僅僅只有一個人，也應該執行人臉檢測過程。
人臉特徵點檢測及人臉對齊
在上文中，我們已經解決了第一個問題！然而，我想要指出的是，我們需要對齊邊界框，從而抽取出每個邊界框中的人臉居中的影象，接著將其作為輸入傳給人臉識別網路，因為這樣可以使人臉識別更加準確！
為了實現這個目標，「face-api.js」實現了一個簡單的卷積神經網路（CNN），它將返回給定影象的 68 個人臉特徵點：
從特徵點位置上看，邊界框可以將人臉居中。你可以從下圖中看到人臉檢測結果（左圖）與對齊後的人臉影象（右圖）的對比：
人臉識別
現在，我們可以將提取出的對齊後的人臉影象輸入到人臉識別網路中，該網路基於一個類似於 ResNet-34 的架構，基本上與 dlib（https://github.com/davisking/dlib/blob/master/examples/dnn_face_recognition_ex.cpp）中實現的架構一致。該網路已經被訓練去學習出人臉特徵到人臉描述符的對映（一個包含 128 個值的特徵向量），這個過程通常也被稱為人臉嵌入。
現在讓我們回到最初對比兩張人臉影象的問題：我們將使用每張抽取出的人臉影象的人臉描述符，並且將它們與參考資料的人臉描述符進行對比。更確切地說，我們可以計算兩個人臉描述符之間的歐氏距離，並根據閾值判斷兩張人臉影象是否相似（對於 150*150 的影象來說，0.6 是一個很好的閾值）。使用歐氏距離的效果驚人的好，當然，你也可以選用任何一種分類器。下面的 gif 動圖視覺化了通過歐氏距離比較兩張人臉影象的過程：
至此，我們已經對人臉識別的理論有所瞭解。接下來讓我們開始編寫一個程式碼示例。
是時候開始程式設計了！
在這個簡短的示例中，我們將看到如何一步步地執行人臉識別程式，識別出如下所示的輸入影象中的多個人物：
匯入指令碼
首先，從 dist/face-api.js 獲得最新的版本（https://github.com/justadudewhohacks/face-api.js/tree/master/dist），或者從 dist/face-api.min.js 獲得縮減版，並且匯入指令碼：
<script src="face-api.js"></script>
如果你使用 npm 包管理工具，可以輸入如下指令：
npm i face-api.js
載入模型資料
你可以根據應用程式的要求載入你需要的特定模型。但是如果要執行一個完整的端到端的示例，我們還需要載入人臉檢測、人臉特徵點檢測和人臉識別模型。相關的模型檔案可以在程式碼倉庫中找到，連結如下：https://github.com/justadudewhohacks/face-api.js/tree/master/weights。
其中，模型的權重已經被量化，檔案大小相對於初始模型減小了 75%，使你的客戶端僅僅需要載入所需的最少的資料。此外，模型的權重被分到了最大為 4 MB 的資料塊中，使瀏覽器能夠快取這些檔案，這樣它們就只需要被載入一次。
模型檔案可以直接作為你的 web 應用中的靜態資源被使用，或者你可以將它們存放在另外的主機上，通過指定的路徑或檔案的 url 連結來載入。假如你將它們與你在 public/models 資料夾下的資產共同存放在一個 models 目錄中：
const MODEL_URL = '/models'
await faceapi.loadModels(MODEL_URL)
或者，如果你僅僅想要載入特定的模型：
const MODEL_URL = '/models'
await faceapi.loadFaceDetectionModel(MODEL_URL)
await faceapi.loadFaceLandmarkModel(MODEL_URL)
await faceapi.loadFaceRecognitionModel(MODEL_URL)
從輸入影象中得到對所有人臉的完整描述
該神經網路可以接收 HTML 影象、畫布、視訊元素或張量（tensor）作為輸入。為了檢測出輸入影象中分數（score）大於最小閾值（minScore）的人臉邊界框，我們可以使用下面的簡單操作：
const minConfidence = 0.8
const fullFaceDescriptions = await faceapi.allFaces(input, minConfidence)
一個完整的人臉描述符包含了檢測結果（邊界框+分數），人臉特徵點以及計算出的描述符。正如你所看到的，「faceapi.allFaces」在底層完成了本文前面的章節所討論的所有工作。然而，你也可以手動地獲取人臉定位和特徵點。如果這是你的目的，你可以參考 github repo 中的幾個示例。
請注意，邊界框和特徵點的位置與原始影象/媒體檔案的尺寸有關。當顯示出的影象尺寸與原始影象的尺寸不相符時，你可以簡單地通過下面的方法重新調整它們的大小：
const resized = fullFaceDescriptions.map(fd => fd.forSize(width, height))
我們可以通過將邊界框在畫布上繪製出來對檢測結果進行視覺化：
fullFaceDescription.forEach((fd, i) => {
faceapi.drawDetection(canvas, fd.detection, { withScore: true })
})
可以通過下面的方法將人臉特徵點顯示出來：
fullFaceDescription.forEach((fd, i) => {
faceapi.drawLandmarks(canvas, fd.landmarks, { drawLines: true })
})
通常，我會在 img 元素的頂層覆蓋一個具有相同寬度和高度的絕對定位的畫布（想獲取更多資訊，請參閱 github 上的示例）。
人臉識別
當我們知道了如何得到給定的影象中所有人臉的位置和描述符後，我們將得到一些每張圖片顯示一個人的影象，並且計算出它們的人臉描述符。這些描述符將作為我們的參考資料。
假設我們有一些可以用的示例圖片，我們首先從一個 url 連結處獲取圖片，然後使用「faceapi.bufferToImage」從它們的資料快取中建立 HTML 影象元素：
// fetch images from url as blobs
const blobs = await Promise.all(
['sheldon.png' 'raj.png', 'leonard.png', 'howard.png'].map(
uri => (await fetch(uri)).blob()
)
)
// convert blobs (buffers) to HTMLImage elements
const images = await Promise.all(blobs.map(
blob => await faceapi.bufferToImage(blob)
))
接下來，在每張影象中，正如我們之前對輸入影象所做的那樣，我們對人臉進行定位、計算人臉描述符：
const refDescriptions = await Promsie.all(images.map(
img => (await faceapi.allFaces(img))[0]
))
const refDescriptors = refDescriptions.map(fd => fd.descriptor)
現在，我們還需要做的就是遍歷我們輸入影象的人臉描述符，並且找到參考資料中與輸入影象距離最小的描述符：
const sortAsc = (a, b) => a - b
const labels = ['sheldon', 'raj', 'leonard', 'howard']
const results = fullFaceDescription.map((fd, i) => {
const bestMatch = refDescriptors.map(
refDesc => ({
label: labels[i],
distance: faceapi.euclideanDistance(fd.descriptor, refDesc)
})
).sort(sortAsc)[0]
return {
detection: fd.detection,
label: bestMatch.label,
distance: bestMatch.distance
}
})
正如前面提到的，我們在這裡使用歐氏距離作為一種相似度度量，這樣做的效果非常好。我們在輸入影象中檢測出的每一張人臉都是匹配程度最高的。
最後，我們可以將邊界框和它們的標籤一起繪製在畫布上，顯示檢測結果：
// 0.6 is a good distance threshold value to judge
// whether the descriptors match or not
const maxDistance = 0.6
results.forEach(result => {
faceapi.drawDetection(canvas, result.detection, { withScore: false })
const text = `${result.distance < maxDistance ? result.className : 'unkown'} (${result.distance})`
const { x, y, height: boxHeight } = detection.getBox()
faceapi.drawText(
canvas.getContext('2d'),
x,
y + boxHeight,
text
)
})
至此，我希望你對如何使用這個 API 有了一個初步的認識。同時，我也建議你看看文中給出的程式碼倉庫中的其它示例。好好地把這個程式包玩個痛快吧！
原文連結：https://itnext.io/face-api-js-javascript-api-for-face-recognition-in-the-browser-with-tensorflow-js-bcc2a6c4cf07