選自IT Next，作者：Vincent Mühler，機器之心編譯，參與：Geek AI、張倩。
本文將為大家介紹一個建立在「tensorflow.js」核心上的 javascript API——「face-api.js」，它實現了三種卷積神經網路架構，用於完成人臉檢測、識別和特徵點檢測任務，可以在瀏覽器中進行人臉識別。
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：github.com/justadudewh…
- TensorFlow.js：github.com/tensorflow/…
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）（medium.com/@muehler.v/…），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像時，識別出影像中的人。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）他們的人臉影像，並且給這些影像打上人臉主人姓名的標籤作為參考資料。現在，我們將輸入影像和參考資料進行對比，找到與輸入影像最相似的參考影像。如果有兩張影像都與輸入足夠相似，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像，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像。
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像中的所有人臉。「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，即使影像中僅僅只有一個人，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像，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），它將返回給定影像的 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）與對齊後的人臉影像（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像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（github.com/davisking/d…）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像的問題：我們將使用每張抽取出的人臉影像的人臉描述符，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像是否相似（對於 150*150 的影像來說，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像的過程：
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像中的多個人物：
匯入指令碼
首先，從 dist/face-api.js 獲得最新的版本（github.com/justadudewh…），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>
複製程式碼如果你使用 npm 包管理工具，可以輸入如下指令：
npm i face-api.js
複製程式碼載入模型資料
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：github.com/justadudewh…。
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)
複製程式碼或者，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)
複製程式碼從輸入影像中得到對所有人臉的完整描述
該神經網路可以接收 HTML 影像、畫布、視訊元素或張量（tensor）作為輸入。為了檢測出輸入影像中分數（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)
複製程式碼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像/媒體檔案的尺寸有關。當顯示出的影像尺寸與原始影像的尺寸不相符時，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))
複製程式碼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 })
})
複製程式碼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 })
})
複製程式碼通常，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像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像，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 影像元素：
// 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)
))
複製程式碼接下來，在每張影像中，正如我們之前對輸入影像所做的那樣，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)
複製程式碼現在，我們還需要做的就是遍歷我們輸入影像的人臉描述符，並且找到參考資料中與輸入影像距離最小的描述符：
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
}
})
複製程式碼正如前面提到的，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。我們在輸入影像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
)
})
複製程式碼至此，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！