इमेज और वीडियो में चेहरों की पहचान करने के लिए, एमएल किट का इस्तेमाल किया जा सकता है.
सुविधा | अनबंडल किए गए | बंडल किए गए |
---|---|---|
कार्यान्वयन | मॉडल को Google Play services की मदद से, डाइनैमिक रूप से डाउनलोड किया जाता है. | बिल्ड के दौरान, मॉडल आपके ऐप्लिकेशन से स्टैटिक रूप से लिंक होता है. |
ऐप्लिकेशन का साइज़ | साइज़ करीब 800 केबी बढ़ जाता है. | साइज़ करीब 6.9 एमबी बढ़ जाता है. |
प्रोसेस शुरू होने का समय | पहली बार इस्तेमाल करने से पहले, मॉडल के डाउनलोड होने तक इंतज़ार करना पड़ सकता है. | मॉडल तुरंत उपलब्ध हो जाता है |
इसे आज़माएं
- एपीआई के इस्तेमाल का उदाहरण देखने के लिए, सैंपल ऐप्लिकेशन इस्तेमाल करें.
- कोडलैब की मदद से कोड को खुद आज़माकर देखें.
वेब कंटेनर इंस्टॉल करने से पहले
प्रोजेक्ट-लेवल की
build.gradle
फ़ाइल में, पक्का करें कि आपनेbuildscript
औरallprojects
, दोनों सेक्शन में Google की Maven रिपॉज़िटरी को शामिल किया हो.अपने मॉड्यूल की ऐप्लिकेशन-लेवल की Gradle फ़ाइल में ML Kit Android लाइब्रेरी के लिए डिपेंडेंसी जोड़ें, जो आम तौर पर
app/build.gradle
होती है. अपनी ज़रूरतों के हिसाब से इनमें से कोई एक डिपेंडेंसी चुनें:अपने ऐप्लिकेशन के साथ मॉडल को बंडल करने के लिए:
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:face-detection:16.1.6' }
Google Play Services में मॉडल का इस्तेमाल करने के लिए:
dependencies { // ... // Use this dependency to use the dynamically downloaded model in Google Play Services implementation 'com.google.android.gms:play-services-mlkit-face-detection:17.1.0' }
अगर आपने Google Play Services में मॉडल का इस्तेमाल करने का विकल्प चुना है, तो आपके पास इस मॉडल को इस तरह कॉन्फ़िगर करने का विकल्प है कि Play Store से ऐप्लिकेशन इंस्टॉल होने के बाद, वह मॉडल आपके डिवाइस पर अपने-आप डाउनलोड हो जाए. ऐसा करने के लिए, अपने ऐप्लिकेशन की
AndroidManifest.xml
फ़ाइल में यह एलान जोड़ें:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="face" > <!-- To use multiple models: android:value="face,model2,model3" --> </application>
आपके पास मॉडल की उपलब्धता को देखने का विकल्प भी है. साथ ही, Google Play services ModuleInstallClient API की मदद से, डाउनलोड करने का अनुरोध किया जा सकता है.
अगर इंस्टॉल के समय मॉडल डाउनलोड करने की सुविधा चालू नहीं की जाती या अश्लील फ़ाइल डाउनलोड करने का अनुरोध नहीं किया जाता, तो पहली बार डिटेक्टर चलाने पर मॉडल डाउनलोड हो जाता है. डाउनलोड पूरा होने से पहले, आपके जो अनुरोध किए जाते हैं उनका कोई नतीजा नहीं मिलता.
इनपुट इमेज के लिए दिशा-निर्देश
चेहरा पहचानने के लिए, आपको कम से कम 480x360 पिक्सेल के आयाम वाली इमेज का उपयोग करना चाहिए. ML Kit में चेहरों की सटीक पहचान हो सके, इसके लिए इनपुट इमेज में ऐसे चेहरे होने चाहिए जिन्हें ज़रूरत के हिसाब से पिक्सल डेटा से दिखाया गया हो. आम तौर पर, आप इमेज में जिस भी चेहरे की पहचान करना चाहते हैं वह कम से कम 100x100 पिक्सल का होना चाहिए. अगर आपको चेहरों की बनावट का पता लगाना है, तो एमएल किट में ज़्यादा रिज़ॉल्यूशन वाले इनपुट की ज़रूरत होती है. ऐसा इसलिए, क्योंकि हर फ़ेस कम से कम 200x200 पिक्सल का होना चाहिए.
अगर रीयल-टाइम ऐप्लिकेशन में चेहरों का पता लगाया जाता है, तो हो सकता है कि आप इनपुट इमेज के सभी डाइमेंशन पर भी ध्यान देना चाहें. छोटी इमेज को तेज़ी से प्रोसेस किया जा सकता है. इसलिए, इंतज़ार का समय कम करने के लिए, इमेज कम रिज़ॉल्यूशन में कैप्चर करें. हालांकि, इमेज के सटीक होने से जुड़ी ऊपर बताई गई ज़रूरी शर्तों का ध्यान रखें. साथ ही, पक्का करें कि जिस व्यक्ति का चेहरा दिखे उसकी इमेज में ज़्यादा से ज़्यादा जगह हो. साथ ही, रीयल-टाइम में परफ़ॉर्मेंस को बेहतर बनाने के बारे में सलाह देखें.
खराब इमेज फ़ोकस की वजह से भी सटीक जानकारी पर असर पड़ सकता है. अगर आपको स्वीकार किए जाने वाले नतीजे नहीं मिलते, तो उपयोगकर्ता से इमेज दोबारा कैप्चर करने के लिए कहें.
कैमरे के हिसाब से किसी चेहरे का ओरिएंटेशन इस बात पर भी असर डाल सकता है कि एमएल किट में चेहरे की कौनसी विशेषताएं पहचानी गई हैं. चेहरे की पहचान करने के तरीके देखें.
1. चेहरे की पहचान करने वाली सुविधा को कॉन्फ़िगर करें
किसी इमेज पर चेहरे की पहचान करने की सुविधा इस्तेमाल करने से पहले, अगर आपको चेहरे की पहचान करने वाले टूल की किसी भी डिफ़ॉल्ट सेटिंग को बदलना है, तोFaceDetectorOptions
ऑब्जेक्ट का इस्तेमाल करके सेटिंग तय करें.
आप निम्न सेटिंग बदल सकते हैं:
सेटिंग | |
---|---|
setPerformanceMode
|
PERFORMANCE_MODE_FAST (डिफ़ॉल्ट)
|
PERFORMANCE_MODE_ACCURATE
चेहरे की पहचान करते समय गति या सटीक जानकारी दें. |
setLandmarkMode
|
LANDMARK_MODE_NONE (डिफ़ॉल्ट)
|
LANDMARK_MODE_ALL
चेहरे के "लैंडमार्क" की पहचान करने की कोशिश करनी है या नहीं: आंखें, कान, नाक, गाल, मुंह वगैरह. |
setContourMode
|
CONTOUR_MODE_NONE (डिफ़ॉल्ट)
|
CONTOUR_MODE_ALL
चेहरे की बनावट का पता लगाना है या नहीं. किसी इमेज में सिर्फ़ सबसे साफ़ तौर पर दिखने वाले चेहरे के लिए ही कॉन्टूर का पता लगाया जाता है. |
setClassificationMode
|
CLASSIFICATION_MODE_NONE (डिफ़ॉल्ट)
|
CLASSIFICATION_MODE_ALL
"मुस्कुराना", "आंखें खुली हैं" जैसी कैटगरी में चेहरों को कैटगरी में बांटना है या नहीं. |
setMinFaceSize
|
float (डिफ़ॉल्ट: 0.1f )
चेहरे का सबसे छोटा साइज़ सेट करता है. इसे चेहरे की चौड़ाई और इमेज की चौड़ाई के अनुपात के तौर पर दिखाया जाता है. |
enableTracking
|
false (डिफ़ॉल्ट) | true
चेहरों को आईडी असाइन करें या नहीं. इसका इस्तेमाल, सभी इमेज में चेहरों को ट्रैक करने के लिए किया जा सकता है. ध्यान दें कि कॉन्टूर डिटेक्शन के चालू होने पर, सिर्फ़ एक चेहरे की पहचान की जाती है. इस वजह से, चेहरे को ट्रैक करने की सुविधा से काम के नतीजे नहीं मिलते. इस वजह से, इमेज का पता लगाने की स्पीड को बेहतर बनाने के लिए, कॉन्टूर और चेहरे को ट्रैक करने वाली सुविधा, दोनों को चालू न करें. |
उदाहरण के लिए:
Kotlin
// High-accuracy landmark detection and face classification val highAccuracyOpts = FaceDetectorOptions.Builder() .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE) .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL) .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL) .build() // Real-time contour detection val realTimeOpts = FaceDetectorOptions.Builder() .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL) .build()
Java
// High-accuracy landmark detection and face classification FaceDetectorOptions highAccuracyOpts = new FaceDetectorOptions.Builder() .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_ACCURATE) .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL) .setClassificationMode(FaceDetectorOptions.CLASSIFICATION_MODE_ALL) .build(); // Real-time contour detection FaceDetectorOptions realTimeOpts = new FaceDetectorOptions.Builder() .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL) .build();
2. इनपुट इमेज तैयार करें
किसी इमेज में चेहरों की पहचान करने के लिए,Bitmap
, media.Image
, ByteBuffer
, बाइट कलेक्शन या डिवाइस पर मौजूद किसी फ़ाइल से InputImage
ऑब्जेक्ट बनाएं. इसके बाद, InputImage
ऑब्जेक्ट को
FaceDetector
के process
तरीके में पास करें.
चेहरे की पहचान के लिए, आपको कम से कम 480x360 पिक्सल के डाइमेंशन वाली इमेज का इस्तेमाल करना चाहिए. अगर रीयल टाइम में चेहरों का पता लगाया जा रहा है, तो इस कम से कम रिज़ॉल्यूशन पर फ़्रेम कैप्चर करने से, वीडियो स्ट्रीम होने और उसके दिखने के समय का अंतर कम हो सकता है.
अलग-अलग सोर्स से InputImage
ऑब्जेक्ट बनाया जा सकता है. हर ऑब्जेक्ट के बारे में नीचे बताया गया है.
media.Image
का इस्तेमाल करके
किसी media.Image
ऑब्जेक्ट से InputImage
ऑब्जेक्ट बनाने के लिए, जैसे कि किसी डिवाइस के कैमरे से इमेज कैप्चर करते समय, media.Image
ऑब्जेक्ट को पास करें और इमेज को InputImage.fromMediaImage()
पर घुमाएं.
अगर आप
CameraX लाइब्रेरी का इस्तेमाल करते हैं, तो OnImageCapturedListener
और
ImageAnalysis.Analyzer
क्लास आपके लिए
रोटेशन वैल्यू का हिसाब लगाती हैं.
Kotlin
private class YourImageAnalyzer : ImageAnalysis.Analyzer { override fun analyze(imageProxy: ImageProxy) { val mediaImage = imageProxy.image if (mediaImage != null) { val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees) // Pass image to an ML Kit Vision API // ... } } }
Java
private class YourAnalyzer implements ImageAnalysis.Analyzer { @Override public void analyze(ImageProxy imageProxy) { Image mediaImage = imageProxy.getImage(); if (mediaImage != null) { InputImage image = InputImage.fromMediaImage(mediaImage, imageProxy.getImageInfo().getRotationDegrees()); // Pass image to an ML Kit Vision API // ... } } }
अगर इमेज के रोटेशन की डिग्री देने वाली कैमरा लाइब्रेरी का इस्तेमाल नहीं किया जाता है, तो डिवाइस की रोटेशन डिग्री और डिवाइस में कैमरा सेंसर के ओरिएंटेशन की मदद से, इसका हिसाब लगाया जा सकता है:
Kotlin
private val ORIENTATIONS = SparseIntArray() init { ORIENTATIONS.append(Surface.ROTATION_0, 0) ORIENTATIONS.append(Surface.ROTATION_90, 90) ORIENTATIONS.append(Surface.ROTATION_180, 180) ORIENTATIONS.append(Surface.ROTATION_270, 270) } /** * Get the angle by which an image must be rotated given the device's current * orientation. */ @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP) @Throws(CameraAccessException::class) private fun getRotationCompensation(cameraId: String, activity: Activity, isFrontFacing: Boolean): Int { // Get the device's current rotation relative to its "native" orientation. // Then, from the ORIENTATIONS table, look up the angle the image must be // rotated to compensate for the device's rotation. val deviceRotation = activity.windowManager.defaultDisplay.rotation var rotationCompensation = ORIENTATIONS.get(deviceRotation) // Get the device's sensor orientation. val cameraManager = activity.getSystemService(CAMERA_SERVICE) as CameraManager val sensorOrientation = cameraManager .getCameraCharacteristics(cameraId) .get(CameraCharacteristics.SENSOR_ORIENTATION)!! if (isFrontFacing) { rotationCompensation = (sensorOrientation + rotationCompensation) % 360 } else { // back-facing rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360 } return rotationCompensation }
Java
private static final SparseIntArray ORIENTATIONS = new SparseIntArray(); static { ORIENTATIONS.append(Surface.ROTATION_0, 0); ORIENTATIONS.append(Surface.ROTATION_90, 90); ORIENTATIONS.append(Surface.ROTATION_180, 180); ORIENTATIONS.append(Surface.ROTATION_270, 270); } /** * Get the angle by which an image must be rotated given the device's current * orientation. */ @RequiresApi(api = Build.VERSION_CODES.LOLLIPOP) private int getRotationCompensation(String cameraId, Activity activity, boolean isFrontFacing) throws CameraAccessException { // Get the device's current rotation relative to its "native" orientation. // Then, from the ORIENTATIONS table, look up the angle the image must be // rotated to compensate for the device's rotation. int deviceRotation = activity.getWindowManager().getDefaultDisplay().getRotation(); int rotationCompensation = ORIENTATIONS.get(deviceRotation); // Get the device's sensor orientation. CameraManager cameraManager = (CameraManager) activity.getSystemService(CAMERA_SERVICE); int sensorOrientation = cameraManager .getCameraCharacteristics(cameraId) .get(CameraCharacteristics.SENSOR_ORIENTATION); if (isFrontFacing) { rotationCompensation = (sensorOrientation + rotationCompensation) % 360; } else { // back-facing rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360; } return rotationCompensation; }
इसके बाद, media.Image
ऑब्जेक्ट और रोटेशन डिग्री की वैल्यू को
InputImage.fromMediaImage()
पर पास करें:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
फ़ाइल यूआरआई का इस्तेमाल करना
फ़ाइल यूआरआई से InputImage
ऑब्जेक्ट बनाने के लिए, ऐप्लिकेशन का कॉन्टेक्स्ट और फ़ाइल यूआरआई को
InputImage.fromFilePath()
पर पास करें. यह तब काम आता है, जब आप उपयोगकर्ता को उसके गैलरी ऐप्लिकेशन से कोई इमेज चुनने का अनुरोध करने के लिए ACTION_GET_CONTENT
इंटेंट का इस्तेमाल करते हैं.
Kotlin
val image: InputImage try { image = InputImage.fromFilePath(context, uri) } catch (e: IOException) { e.printStackTrace() }
Java
InputImage image; try { image = InputImage.fromFilePath(context, uri); } catch (IOException e) { e.printStackTrace(); }
ByteBuffer
या ByteArray
का इस्तेमाल करना
किसी ByteBuffer
या ByteArray
से InputImage
ऑब्जेक्ट बनाने के लिए, सबसे पहले media.Image
इनपुट के लिए बताए गए तरीके से, इमेज
रोटेशन की डिग्री का हिसाब लगाएं.
इसके बाद, बफ़र या अरे का इस्तेमाल करके, InputImage
ऑब्जेक्ट बनाएं. इसके लिए, इमेज की ऊंचाई, चौड़ाई, कलर एन्कोडिंग फ़ॉर्मैट, और रोटेशन डिग्री की जानकारी का इस्तेमाल करें:
Kotlin
val image = InputImage.fromByteBuffer( byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ) // Or: val image = InputImage.fromByteArray( byteArray, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 )
Java
InputImage image = InputImage.fromByteBuffer(byteBuffer, /* image width */ 480, /* image height */ 360, rotationDegrees, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 ); // Or: InputImage image = InputImage.fromByteArray( byteArray, /* image width */480, /* image height */360, rotation, InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12 );
Bitmap
का इस्तेमाल करके
किसी Bitmap
ऑब्जेक्ट से InputImage
ऑब्जेक्ट बनाने के लिए, यह एलान करें:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
इमेज को Bitmap
ऑब्जेक्ट से, रोटेशन डिग्री के साथ दिखाया गया है.
3. FaceDetector का इंस्टेंस पाएं
Kotlin
val detector = FaceDetection.getClient(options) // Or, to use the default option: // val detector = FaceDetection.getClient();
Java
FaceDetector detector = FaceDetection.getClient(options); // Or use the default options: // FaceDetector detector = FaceDetection.getClient();
4. इमेज प्रोसेस करें
process
तरीके से इमेज पास करें:
Kotlin
val result = detector.process(image) .addOnSuccessListener { faces -> // Task completed successfully // ... } .addOnFailureListener { e -> // Task failed with an exception // ... }
Java
Task<List<Face>> result = detector.process(image) .addOnSuccessListener( new OnSuccessListener<List<Face>>() { @Override public void onSuccess(List<Face> faces) { // Task completed successfully // ... } }) .addOnFailureListener( new OnFailureListener() { @Override public void onFailure(@NonNull Exception e) { // Task failed with an exception // ... } });
5. पहचाने गए चेहरों की जानकारी पाएं
अगर चेहरे की पहचान करने की कार्रवाई पूरी हो जाती है, तो सफलता पाने वाले कोFace
ऑब्जेक्ट की सूची भेजी जाती है. हर Face
ऑब्जेक्ट, इमेज में मिले एक चेहरे को दिखाता है. हर चेहरे के लिए, इनपुट इमेज में उसके बाउंडिंग कोऑर्डिनेट को दिखाया जा सकता है. साथ ही, वह जानकारी भी पाई जा सकती है जिसे आपने ढूंढने के लिए फ़ेस डिटेक्टर को कॉन्फ़िगर किया था. उदाहरण के लिए:
Kotlin
for (face in faces) { val bounds = face.boundingBox val rotY = face.headEulerAngleY // Head is rotated to the right rotY degrees val rotZ = face.headEulerAngleZ // Head is tilted sideways rotZ degrees // If landmark detection was enabled (mouth, ears, eyes, cheeks, and // nose available): val leftEar = face.getLandmark(FaceLandmark.LEFT_EAR) leftEar?.let { val leftEarPos = leftEar.position } // If contour detection was enabled: val leftEyeContour = face.getContour(FaceContour.LEFT_EYE)?.points val upperLipBottomContour = face.getContour(FaceContour.UPPER_LIP_BOTTOM)?.points // If classification was enabled: if (face.smilingProbability != null) { val smileProb = face.smilingProbability } if (face.rightEyeOpenProbability != null) { val rightEyeOpenProb = face.rightEyeOpenProbability } // If face tracking was enabled: if (face.trackingId != null) { val id = face.trackingId } }
Java
for (Face face : faces) { Rect bounds = face.getBoundingBox(); float rotY = face.getHeadEulerAngleY(); // Head is rotated to the right rotY degrees float rotZ = face.getHeadEulerAngleZ(); // Head is tilted sideways rotZ degrees // If landmark detection was enabled (mouth, ears, eyes, cheeks, and // nose available): FaceLandmark leftEar = face.getLandmark(FaceLandmark.LEFT_EAR); if (leftEar != null) { PointF leftEarPos = leftEar.getPosition(); } // If contour detection was enabled: List<PointF> leftEyeContour = face.getContour(FaceContour.LEFT_EYE).getPoints(); List<PointF> upperLipBottomContour = face.getContour(FaceContour.UPPER_LIP_BOTTOM).getPoints(); // If classification was enabled: if (face.getSmilingProbability() != null) { float smileProb = face.getSmilingProbability(); } if (face.getRightEyeOpenProbability() != null) { float rightEyeOpenProb = face.getRightEyeOpenProbability(); } // If face tracking was enabled: if (face.getTrackingId() != null) { int id = face.getTrackingId(); } }
चेहरे की बनावट के उदाहरण
अगर आपने चेहरे की पहचान करने वाली सुविधा चालू की है, तो आपको चेहरे की हर उस सुविधा के लिए पॉइंट की सूची मिलेगी जिसका पता लगाया गया था. ये पॉइंट, सुविधा का आकार दिखाते हैं. कंटूर को दिखाने के तरीके के बारे में जानने के लिए, चेहरे की पहचान करने के तरीके देखें.
नीचे दी गई इमेज में दिखाया गया है कि ये पॉइंट किसी चेहरे से कैसे मैप होते हैं. इमेज को बड़ा करने के लिए उस पर क्लिक करें:
रीयल-टाइम में चेहरे की पहचान करने की सुविधा
अगर आपको रीयल-टाइम में चेहरे की पहचान करने की सुविधा का इस्तेमाल करना है, तो फ़्रेम रेट बढ़ाने के लिए, इन दिशा-निर्देशों का पालन करें:
चेहरे की पहचान करने वाली सुविधा को इस तरह से कॉन्फ़िगर करें कि वह चेहरे की बनावट की पहचान या क्लासिफ़िकेशन और लैंडमार्क डिटेक्शन का इस्तेमाल करे, लेकिन इन दोनों का नहीं:
कंटूर की पहचान
लैंडमार्क की पहचान
क्लासिफ़िकेशन
लैंडमार्क की पहचान और क्लासिफ़िकेशन
कंटूर की पहचान और लैंडमार्क की पहचान
कंटूर की पहचान और कैटगरी
कंटूर की पहचान, लैंडमार्क की पहचान, और क्लासिफ़िकेशनFAST
मोड चालू करें (डिफ़ॉल्ट रूप से चालू रहता है).कम रिज़ॉल्यूशन वाली इमेज कैप्चर करें. हालांकि, इस एपीआई की इमेज डाइमेंशन से जुड़ी ज़रूरी शर्तों का भी ध्यान रखें.
Camera
या
camera2
एपीआई का इस्तेमाल करने पर,
डिटेक्टर को कॉल थ्रॉटल करें. अगर डिटेक्टर के चलने के दौरान कोई नया वीडियो फ़्रेम उपलब्ध हो जाता है, तो फ़्रेम को छोड़ दें. उदाहरण के लिए, क्विकस्टार्ट सैंपल ऐप्लिकेशन में
VisionProcessorBase
क्लास देखें.
CameraX
एपीआई का इस्तेमाल करने पर,
पक्का करें कि बैक प्रेशर स्ट्रेटजी अपनी डिफ़ॉल्ट वैल्यू
ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
पर सेट हो.
इससे यह गारंटी मिलती है कि विश्लेषण के लिए एक बार में सिर्फ़ एक इमेज डिलीवर की जाएगी. अगर एनालाइज़र के व्यस्त होने पर और इमेज बनती हैं, तो वे अपने-आप हट जाएंगी और डिलीवरी के लिए तैयार नहीं की जाएंगी. जिस इमेज की जांच की जा रही है उसे ImageProxy.close() को कॉल करके बंद करने के बाद, अगली इमेज डिलीवर की जाएगी.
CameraSourcePreview
और
GraphicOverlay
क्लास देखें.
ImageFormat.YUV_420_888
फ़ॉर्मैट में इमेज कैप्चर करें. अगर पुराने Camera API का इस्तेमाल किया जा रहा है, तो
ImageFormat.NV21
फ़ॉर्मैट में इमेज कैप्चर करें.