全新推出：LiteRT：Google 专为设备端 AI 打造的高性能运行时，以前称为 TensorFlow Lite。

此页面由 Cloud Translation API 翻译。

适用于 Android 的人脸特征点检测指南

借助 MediaPipe Face Landmarker 任务，您可以检测图片和视频中的人脸特征点和面部表情。你可以使用此任务来识别人脸表情、应用美颜滤镜和效果，以及创建虚拟头像。此任务使用可处理单张图片或连续图片流的机器学习 (ML) 模型。该任务会输出 3D 面部地标、融合变形得分（表示面部表情的系数），以便实时推断详细的面部表面，以及用于执行效果渲染所需的转换矩阵。

这些说明中介绍的代码示例可在 GitHub 上找到。如需详细了解此任务的功能、模型和配置选项，请参阅概览。

代码示例

MediaPipe Tasks 示例代码是对 Android 面部地标定位器应用的简单实现。该示例使用实体 Android 设备上的相机检测连续视频流中的人脸。该应用还可以检测设备图库中的图片和视频中的人脸。

您可以将该应用用作您自己的 Android 应用的起点，也可以在修改现有应用时参考该应用。Face Landmarker 示例代码托管在 GitHub 上。

下载代码

以下说明介绍了如何使用 git 命令行工具创建示例代码的本地副本。

如需下载示例代码，请执行以下操作：

使用以下命令克隆 Git 代码库：

git clone https://github.com/google-ai-edge/mediapipe-samples

（可选）将您的 Git 实例配置为使用稀疏检出，以便您只保留 Face Landmarker 示例应用的文件：
```
cd mediapipe
git sparse-checkout init --cone
git sparse-checkout set examples/face_landmarker/android
```

创建示例代码的本地版本后，您可以将项目导入 Android Studio 并运行应用。如需了解相关说明，请参阅 Android 设置指南。

关键组件

以下文件包含此人脸地标示例应用的重要代码：

FaceLandmarkerHelper.kt - 初始化人脸地标，并处理模型和代理选择。
CameraFragment.kt - 处理设备摄像头并处理图片和视频输入数据。
GalleryFragment.kt - 与 OverlayView 互动以显示输出图片或视频。
OverlayView.kt - 实现了显示屏，并为检测到的人脸添加了人脸网格。

设置

本部分介绍了专门用于使用 Face Landmarker 设置开发环境和代码项目的关键步骤。如需了解如何设置开发环境以使用 MediaPipe 任务（包括平台版本要求）的一般信息，请参阅 Android 设置指南。

依赖项

人脸地标任务使用 com.google.mediapipe:tasks-vision 库。将此依赖项添加到 Android 应用的 build.gradle 文件中：

dependencies {
    implementation 'com.google.mediapipe:tasks-vision:latest.release'
}

型号

MediaPipe Face Landmarker 任务需要与此任务兼容的训练模型软件包。如需详细了解适用于人脸关键点检测器的已训练模型，请参阅任务概览的“模型”部分。

选择并下载模型，然后将其存储在项目目录中：

<dev-project-root>/src/main/assets

在 ModelAssetPath 参数中指定模型的路径。在示例代码中，模型在 FaceLandmarkerHelper.kt 文件中定义：

baseOptionsBuilder.setModelAssetPath(MP_FACE_LANDMARKER_TASK)

创建任务

MediaPipe Face Landmarker 任务使用 createFromOptions() 函数来设置任务。createFromOptions() 函数接受配置选项的值。如需详细了解配置选项，请参阅配置选项。

人脸地标注点检测器支持以下输入数据类型：静态图片、视频文件和实时视频直播。创建任务时，您需要指定与输入数据类型对应的运行模式。选择输入数据类型对应的标签页，了解如何创建任务和运行推理。

Image

val baseOptionsBuilder = BaseOptions.builder().setModelAssetPath(MP_FACE_LANDMARKER_TASK)
val baseOptions = baseOptionBuilder.build()

val optionsBuilder = 
    FaceLandmarker.FaceLandmarkerOptions.builder()
        .setBaseOptions(baseOptionsBuilder.build())
        .setMinFaceDetectionConfidence(minFaceDetectionConfidence)
        .setMinTrackingConfidence(minFaceTrackingConfidence)
        .setMinFacePresenceConfidence(minFacePresenceConfidence)
        .setNumFaces(maxNumFaces)
        .setRunningMode(RunningMode.IMAGE)

val options = optionsBuilder.build()
FaceLandmarker = FaceLandmarker.createFromOptions(context, options)

视频

val baseOptionsBuilder = BaseOptions.builder().setModelAssetPath(MP_FACE_LANDMARKER_TASK)
val baseOptions = baseOptionBuilder.build()

val optionsBuilder = 
    FaceLandmarker.FaceLandmarkerOptions.builder()
        .setBaseOptions(baseOptionsBuilder.build())
        .setMinFaceDetectionConfidence(minFaceDetectionConfidence)
        .setMinTrackingConfidence(minFaceTrackingConfidence)
        .setMinFacePresenceConfidence(minFacePresenceConfidence)
        .setNumFaces(maxNumFaces)
        .setRunningMode(RunningMode.VIDEO)

val options = optionsBuilder.build()
FaceLandmarker = FaceLandmarker.createFromOptions(context, options)

直播

val baseOptionsBuilder = BaseOptions.builder().setModelAssetPath(MP_FACE_LANDMARKER_TASK)
val baseOptions = baseOptionBuilder.build()

val optionsBuilder = 
    FaceLandmarker.FaceLandmarkerOptions.builder()
        .setBaseOptions(baseOptionsBuilder.build())
        .setMinFaceDetectionConfidence(minFaceDetectionConfidence)
        .setMinTrackingConfidence(minFaceTrackingConfidence)
        .setMinFacePresenceConfidence(minFacePresenceConfidence)
        .setNumFaces(maxNumFaces)
        .setResultListener(this::returnLivestreamResult)
        .setErrorListener(this::returnLivestreamError)
        .setRunningMode(RunningMode.LIVE_STREAM)

val options = optionsBuilder.build()
FaceLandmarker = FaceLandmarker.createFromOptions(context, options)

人脸地标示例代码实现允许用户在处理模式之间切换。这种方法会使任务创建代码变得更复杂，可能不适合您的用例。您可以在 FaceLandmarkerHelper.kt 文件的 setupFaceLandmarker() 函数中看到此代码。

配置选项

此任务针对 Android 应用提供了以下配置选项：

选项名称	说明	值范围	默认值
`runningMode`	设置任务的运行模式。共有三种模式： IMAGE：适用于单张图片输入的模式。视频：视频的解码帧的模式。 LIVE_STREAM：输入数据（例如来自摄像头）的直播模式。在此模式下，必须调用 resultListener 以设置监听器以异步接收结果。	{`IMAGE, VIDEO, LIVE_STREAM`}	`IMAGE`
`numFaces`	`FaceLandmarker` 可检测的面部数量上限。仅当 `num_faces` 设置为 1 时才会应用平滑处理。	`Integer > 0`	`1`
`minFaceDetectionConfidence`	人脸检测被视为成功所需的最低置信度得分。	`Float [0.0,1.0]`	`0.5`
`minFacePresenceConfidence`	人脸标志检测中人脸存在得分的最小置信度得分。	`Float [0.0,1.0]`	`0.5`
`minTrackingConfidence`	人脸跟踪被视为成功所需的最低置信度得分。	`Float [0.0,1.0]`	`0.5`
`outputFaceBlendshapes`	人脸特征点检测器是否输出人脸融合变形。脸部混合形状用于渲染 3D 脸部模型。	`Boolean`	`False`
`outputFacialTransformationMatrixes`	FaceLandmarker 是否输出面部转换矩阵。FaceLandmarker 使用矩阵将面部地标从规范化人脸模型转换为检测到的面部，以便用户对检测到的地标应用效果。	`Boolean`	`False`
`resultListener`	设置结果监听器，以便在 FaceLandmarker 处于直播模式时异步接收地标结果。仅当运行模式设置为 `LIVE_STREAM` 时才能使用	`ResultListener`	`N/A`
`errorListener`	设置可选的错误监听器。	`ErrorListener`	`N/A`

准备数据

人脸关键点检测器适用于图片、视频文件和实时视频直播。该任务会处理数据输入预处理，包括调整大小、旋转和值归一化。

以下代码演示了如何将数据交接给其他进程进行处理。这些示例详细介绍了如何处理来自图片、视频文件和直播视频流的数据。

Image

import com.google.mediapipe.framework.image.BitmapImageBuilder
import com.google.mediapipe.framework.image.MPImage

// Convert the input Bitmap object to an MPImage object to run inference
val mpImage = BitmapImageBuilder(image).build()

视频

import com.google.mediapipe.framework.image.BitmapImageBuilder
import com.google.mediapipe.framework.image.MPImage

val argb8888Frame =
    if (frame.config == Bitmap.Config.ARGB_8888) frame
    else frame.copy(Bitmap.Config.ARGB_8888, false)

// Convert the input Bitmap object to an MPImage object to run inference
val mpImage = BitmapImageBuilder(argb8888Frame).build()

直播

import com.google.mediapipe.framework.image.BitmapImageBuilder
import com.google.mediapipe.framework.image.MPImage

// Convert the input Bitmap object to an MPImage object to run inference
val mpImage = BitmapImageBuilder(rotatedBitmap).build()

在 Face Landmarker 示例代码中，数据准备是在 FaceLandmarkerHelper.kt 文件中处理的。

运行任务

根据您要处理的数据类型，使用特定于该数据类型的 FaceLandmarker.detect...() 方法。detect() 用于单个图片，detectForVideo() 用于视频文件中的帧，detectAsync() 用于视频流。对视频流执行检测时，请务必在单独的线程中运行检测，以免阻塞界面线程。

以下代码示例展示了如何在这些不同的数据模式下运行 Face Landmarker 的简单示例：

Image

val result = FaceLandmarker.detect(mpImage)

视频

val timestampMs = i * inferenceIntervalMs

FaceLandmarker.detectForVideo(mpImage, timestampMs)
    .let { detectionResult ->
        resultList.add(detectionResult)
    }

直播

val mpImage = BitmapImageBuilder(rotatedBitmap).build()
val frameTime = SystemClock.uptimeMillis()

FaceLandmarker.detectAsync(mpImage, frameTime)

请注意以下几点：

在视频模式或直播模式下运行时，您必须向 Face Landmarker 任务提供输入帧的时间戳。
在图片或视频模式下运行时，Face Landmarker 任务会阻塞当前线程，直到其处理完输入图片或帧。为避免阻塞界面，请在后台线程中执行处理。
在直播模式下运行时，Face Landmarker 任务会立即返回，并且不会阻塞当前线程。它会在每次处理完输入帧后，使用检测结果调用结果监听器。

在 Face Landmarker 示例代码中，detect、detectForVideo 和 detectAsync 函数在 FaceLandmarkerHelper.kt 文件中定义。

处理和显示结果

Face Landmarker 会为每次运行检测返回一个 FaceLandmarkerResult 对象。结果对象包含每个检测到的人脸的面部网格，以及每个人脸地标的坐标。（可选）结果对象还可以包含表示面部表情的混合形状，以及用于对检测到的地标应用面部效果的面部转换矩阵。

以下是此任务的输出数据示例：

FaceLandmarkerResult:
  face_landmarks:
    NormalizedLandmark #0:
      x: 0.5971359014511108
      y: 0.485361784696579
      z: -0.038440968841314316
    NormalizedLandmark #1:
      x: 0.3302789330482483
      y: 0.29289937019348145
      z: -0.09489090740680695
    ... (478 landmarks for each face)
  face_blendshapes:
    browDownLeft: 0.8296722769737244
    browDownRight: 0.8096957206726074
    browInnerUp: 0.00035583582939580083
    browOuterUpLeft: 0.00035752105759456754
    ... (52 blendshapes for each face)
  facial_transformation_matrixes:
    [9.99158978e-01, -1.23036895e-02, 3.91213447e-02, -3.70770246e-01]
    [1.66496094e-02,  9.93480563e-01, -1.12779640e-01, 2.27719707e+01]
    ...

下图显示了任务输出的可视化结果：

一名男子，他的面部区域采用几何图形标示出来，以指明面部的形状和尺寸

Face Landmarker 示例代码演示了如何显示从任务返回的结果，如需了解详情，请参阅 OverlayView 类。