本文為來自 字節教育-成人與創新前端團隊 成員的文章，已授權 ELab 發布。

?前言?

上周啟動居家開會的時候，看到有人通過「虛擬形象」功能，給自己帶上了口罩、眼鏡之類，于是想到了是不是也可以搞一個簡單的虛擬形象系統。

大致想來，分為以下幾個部分：

?卷積神經網絡(CNN)?

下面講解一下三層CNN網絡模型：

卷積層——提取特征

卷積層的運算過程如下圖，用一個卷積核掃完整張圖片：

通過動圖能夠更好的理解卷積過程，使用一個卷積核（過濾器）來過濾圖像的各個小區域，從而得到這些小區域的特征值。

在具體應用中，往往有多個卷積核，每個卷積核代表了一種圖像模式（特征規則），如果某個圖像塊與此卷積核卷積出的值大，則認為此圖像塊十分接近于此卷積核。如果有N個卷積核，那么就認為圖像中有N種底層紋理（特征），即用這N種基礎紋理就能描繪出一副圖像。

總結： 卷積 層的通過卷積核的過濾提取出圖片中局部的特征。

疑問：上圖卷積后，存在邊緣數據特征提取減少，大家能想到什么方式處理呢？

池化層（下采樣）——數據降維，避免過擬合

池化層通常也被叫做下采樣，目的是降低數據的維度，減少數據處理量。其過程大致如下：

上圖輸入時是20×20的，先進行卷積采樣，卷積核為10×10，采用最大池化的方式，輸出為一個2×2大小的特征圖。這樣可將數據維度減少了10倍，方便后續模塊處理。

總結：池化層相比 卷積 層可以更有效的降低數據維度，不僅可減少運算量，還可以避免 過擬合 。

過擬合是指訓練誤差和測試誤差之間的差距太大。換句換說，就是模型復雜度高于實際問題，模型在訓練集上表現很好，但在測試集上卻表現很差。模型對訓練集"死記硬背"（記住了不適用于測試集的訓練集性質或特點），沒有理解數據背后的規律，泛化能力差。

全連接層——輸出結果

全鏈接層是將我們最后一個池化層的輸出連接到最終的輸出節點上。假設，上述CNN的最后一個池化層的輸出大小為 [5×5×4]，即 5×5×4=100 個節點。對于當前任務（僅識別??、??、??），我們的輸出會是一個三維向量，輸出層共 3 個節點，如輸出[0.89, 0.1, 0.001]，表示0.89的概率為貓。在實際應用中，通常全連接層的節點數會逐層遞減，最終變為n維向量。

舉個例子

假設我們有2個檢測的特征為「水平邊緣」和「垂直邊緣」。「垂直邊緣」卷積過程如下：

最終結果如下：

Q&A環節

沒錯啦，前面的問題的答案就是邊緣填充。

?face-api.js?

face-api.js 是基于 tensorflow.js 實現的，內置了一些訓練好的模型，這些模型應該是這個方案的核心，通過這些預先訓練好的模型，我們可以直接使用而不需要自己再去標注、訓練，極大的降低了成本。

主要提供的功能如下：

• 人臉檢測：獲取一張或多張人臉的邊界，可用于確認人臉的位置、數量和大小
• 人臉特征檢測：包含68個人臉特征點位，獲取眉毛、眼睛、鼻子、嘴、嘴唇、下巴等的位置和形狀
• 人臉識別：返回人臉特征向量，可用于辨別人臉
• 人臉表情識別：獲取人臉表情特征

性別和年齡檢測：判斷年齡和性別。其中“性別”是判斷人臉的女性化或男性化偏向，與真實性別不一定掛鉤

人臉檢測

針對人臉檢測，face-api 提供了 SSD Mobilenet V1 和 The Tiny Face Detector 兩個人臉檢測模型：

SSD Mobilenet V1：能夠計算圖像中每個人臉的位置，并返回邊界框以及每個框內包含人臉的概率，但是這個模型有 5.4M，加載需要比較長的時間，弱網環境下加載過于耗時。

The Tiny Face Detector ：這個模型性能非常好，可以做實時的人臉檢測，且只有190kB，但是檢測準確性上不如 SSD Mobilenet V1，且在檢測比較小的人臉時不太可靠。相對而言，比較適合移動端或者設備資源優先的條件下。

人臉特征檢測

針對人臉特征檢測， 提供了 68 點人臉特征檢測模型，檢測這 68 個點的作用是為了后續的人臉對齊，為后續人臉識別做準備，這里提供了兩個大小的模型供選擇：350kb和80kb，大的模型肯定是更準確，小的模型適合對精確度要求不高，對資源要求占用不高的場景。其輸出的區域特征點區間固定如下：

人臉識別

經過人臉檢測以及人臉對齊以后，將檢測到的人臉輸入到人臉識別網絡進行識別，從而獲得一個128維的人臉特征向量。通過計算兩個向量之間的距離（余弦值），就可以判斷相似度。

?虛擬形象系統?

獲取人臉圖像

目前主流瀏覽器提供了WebRTC能力，我們可以調用getUserMedia?方法指定設備采集音視頻數據。其中constrains詳情參考 MediaTrackConstraints - Web APIs | MDN[1]。

const constraints = { audio: true, video: { width: 1280, height: 720 } };
const setLocalMediaStream = (mediaStream: MediaStream) => {
    videoRef.current.srcObject = mediaStream;
}
navigator
    .mediaDevices
    .getUserMedia(constraints)
    .then(setLocalMediaStream)

獲取人臉特征

根據官方文檔介紹，The Tiny Face Detector?模型與人臉特征識別模型組合的效果更好，故本文使用的人臉檢測模型是The Tiny Face Detector。

這個模型有兩個參數可以調整，包括 inputSize? 和 scoreThreshold，默認值是 416 和 0.5。

• inputSize：表示檢測范圍（人臉邊框），值越小檢測越快，但是對小臉的檢測準確不足，可能會檢測不出，如果是針對視頻的實時檢測，可以設置比較小的值。
• scoreThreshold：是人臉檢測得分的閾值，假如在照片中檢測不到人臉，可以將這個值調低。

首先我們要選擇并加載模型（這里使用官網訓練好的模型和權重參數）

// 加載人臉檢測模型
await faceApi.nets.tinyFaceDetector.loadFromUri(
    'xxx/weights/',
);
// 加載特征檢測模型
await faceApi.nets.faceLandmark68Net.loadFromUri(
    'xxx/weights/',
);

轉換人臉檢測模型。face-api的人臉檢測模型默認是SSD Mobilenet v1?，這里需要顯式調整為The Tiny Face Detector模型。

const options = new faceApi.TinyFaceDetectorOptions({
  inputSize,
  scoreThreshold,
});

// 人臉68點位特征集
const result = await faceApi
  .detectSingleFace(videoEl, options) // 人臉檢測
  .withFaceLandmarks(); // 特征檢測

形象繪制

經過上述計算，我們已經拿到了人臉68點位特征集。需要先計算點位相對坐標信息，然后進行形象繪制。

const canvas = canvasRef.current;
const canvasCtx = canvas.getContext('2d');
const dims = faceApi.matchDimensions(canvas, videoEl, true);
const resizedResult = faceApi.resizeResults(result, dims);

本文使用的是一張256*256的口罩圖片，選取1號和16號點位繪制口罩，根據兩點位之間的距離縮放口罩大小。

這里主要調研了兩種方式，分別是canvas繪制和媒體流繪制。

canvas繪制

首先想到的一種方式，video和canvas大小和位置固定，定時抓取video媒體流中圖片，進行識別人臉，然后繪制在canvas上。

const { positions } = resizedResult.landmarks;
const leftPoint = positions[0];
const rightPoint = positions[16];
const length = Math.sqrt(
    Math.pow(leftPoint.x - rightPoint.x, 2) +
      Math.pow(leftPoint.y - rightPoint.y, 2),
);
canvasCtx?.drawImage(
    mask,
    0,
    0,
    265,
    265,
    leftPoint.x,
    leftPoint.y,
    length,
    length,
);

媒體流繪制

canvas提供了一個api叫做 captureStream[2]，會返回一個繼承MediaStream的實例，實時視頻捕獲畫布上的內容（媒體流）。我們可以在canvas上以固定幀率進行圖像繪制，獲取視頻軌道。

這樣我們僅需保證video和canvas大小一致，位置無需固定，甚至canvas可以離屏不渲染。

const stream = canvasRef.current.captureStream()!;
  mediaStream = res[0].clone();
  mediaStream.addTrack(stream.getVideoTracks()[0]);
  videoRef.current!.srcObject = mediaStream;

對比

canvas繪制兼容性更好，但在實時通信場景下，需傳遞點位信息或端重復計算，容易受網絡波動以及硬件設備影響，導致實際繪制出現偏差（依賴端能力）

媒體流繪制兼容性較差，但是在直播等場景下效果會更好，在輸出端做好已經做好媒體流融合，接收端依托媒體能力播放即可。同時內容也不易篡改

?實際效果?

因為這里僅使用了2個點位的信息，所以效果一般般。我們完全可以充分利用68個點位全面換膚，實現各種效果。

?延伸思考?

測評場景下：判斷人臉數量、是否是用戶本人，自動提醒用戶，異常狀態記錄日志，監控人員可以后臺查看

學習場景下：判斷用戶是否離開屏幕等，提醒用戶返回學習狀態。

彈幕場景下：檢測人臉，解決彈幕遮擋問題