Vous pouvez utiliser ML Kit pour détecter des visages dans des images et des vidéos.
Fonctionnalité | Sans catégorie | Avec bundles |
---|---|---|
Intégration | Le modèle est téléchargé de manière dynamique via les services Google Play. | Le modèle est associé à votre application de manière statique au moment de la compilation. |
Taille d'application | Augmentation de la taille d'environ 800 Ko. | Augmentation de la taille d'environ 6,9 Mo. |
Délai d'initialisation | Vous devrez peut-être attendre que le modèle soit téléchargé avant d'utiliser le produit. | Le modèle est disponible immédiatement |
Essayer
- Testez l'exemple d'application pour voir un exemple d'utilisation de cette API.
- Testez le code vous-même avec l'atelier de programmation.
Avant de commencer
Dans le fichier
build.gradle
au niveau du projet, assurez-vous d'inclure le dépôt Maven de Google dans vos sectionsbuildscript
etallprojects
.Ajoutez les dépendances des bibliothèques Android ML Kit au fichier Gradle de votre module, généralement
app/build.gradle
. Choisissez l'une des dépendances suivantes en fonction de vos besoins:Pour associer le modèle à votre application :
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:face-detection:16.1.5' }
Pour utiliser le modèle dans les services Google Play:
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' }
Si vous choisissez d'utiliser le modèle dans les services Google Play, vous pouvez configurer votre application de sorte qu'elle télécharge automatiquement le modèle sur l'appareil après son installation depuis le Play Store. Pour ce faire, ajoutez la déclaration suivante au fichier
AndroidManifest.xml
de votre application:<application ...> ... <meta-data android:name="com.google.mlkit.vision.DEPENDENCIES" android:value="face" > <!-- To use multiple models: android:value="face,model2,model3" --> </application>
Vous pouvez également vérifier explicitement la disponibilité du modèle et demander un téléchargement via l'API ModuleInstallClient des services Google Play.
Si vous n'activez pas les téléchargements de modèles au moment de l'installation ou si vous demandez un téléchargement explicite, le modèle est téléchargé la première fois que vous exécutez le détecteur. Les requêtes que vous effectuez avant la fin du téléchargement ne produisent aucun résultat.
Consignes pour les images d'entrée
Pour la reconnaissance faciale, utilisez une image d'au moins 480 x 360 pixels. Pour que ML Kit puisse détecter avec précision les visages, les images d'entrée doivent contenir des visages représentés par suffisamment de données de pixels. En général, chaque visage que vous souhaitez détecter dans une image doit mesurer au moins 100 x 100 pixels. Si vous souhaitez détecter les contours des visages, ML Kit nécessite une résolution plus élevée: chaque visage doit mesurer au moins 200 x 200 pixels.
Si vous détectez des visages dans une application en temps réel, vous pouvez également prendre en compte les dimensions globales des images d'entrée. Les images de petite taille peuvent être traitées plus rapidement. Par conséquent, pour réduire la latence, capturez les images avec des résolutions inférieures, mais tenez compte des exigences de précision ci-dessus et assurez-vous que le visage du sujet occupe autant d'images que possible. Consultez également nos conseils pour améliorer les performances en temps réel.
Une image floue peut également nuire à la précision de cette dernière. Si vous n'obtenez pas de résultats acceptables, demandez à l'utilisateur de recréer l'image.
L'orientation d'un visage par rapport à l'appareil photo peut également influer sur les traits du visage détectés par ML Kit. Consultez la page Concepts de détection des visages.
1. Configurer le détecteur de visage
Avant d'appliquer la détection des visages à une image, si vous souhaitez modifier les paramètres par défaut du détecteur de visages, spécifiez-les avec un objetFaceDetectorOptions
.
Vous pouvez modifier les paramètres suivants:
Paramètres | |
---|---|
setPerformanceMode
|
PERFORMANCE_MODE_FAST (par défaut)
|
PERFORMANCE_MODE_ACCURATE
Privilégier la rapidité ou la précision lors de la détection des visages. |
setLandmarkMode
|
LANDMARK_MODE_NONE (par défaut)
|
LANDMARK_MODE_ALL
Indique s'il faut essayer d'identifier des « points de repère » faciales : yeux, oreilles, nez, joues, bouche, etc. |
setContourMode
|
CONTOUR_MODE_NONE (par défaut)
|
CONTOUR_MODE_ALL
Permet de détecter les contours des traits du visage. Les contours ne sont détectés que pour le visage le plus visible d'une image. |
setClassificationMode
|
CLASSIFICATION_MODE_NONE (par défaut)
|
CLASSIFICATION_MODE_ALL
Indique si les visages doivent être classés dans des catégories telles que "sourire" et "yeux ouverts". |
setMinFaceSize
|
float (par défaut: 0.1f )
Définit la plus petite taille souhaitée de visage, exprimée en tant que ratio de la largeur de la tête par rapport à la largeur de l'image. |
enableTracking
|
false (par défaut) | true
Attribuer ou non un identifiant aux visages, qui permet de suivre les visages dans les images. Sachez que lorsque la détection de contour est activée, un seul visage est détecté. Le suivi des visages ne produit donc pas de résultats utiles. C'est pourquoi, pour améliorer la vitesse de détection, n'activez pas à la fois la détection des contours et le suivi des visages. |
Exemple :
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. Préparer l'image d'entrée
Pour détecter les visages dans une image, créez un objetInputImage
à partir d'un fichier Bitmap
, media.Image
, ByteBuffer
, d'un tableau d'octets ou d'un fichier sur l'appareil. Transmettez ensuite l'objet InputImage
à la méthode process
de FaceDetector
.
Pour la détection des visages, utilisez une image d'au moins 480 x 360 pixels. Si vous détectez des visages en temps réel, la capture d'images à cette résolution minimale peut contribuer à réduire la latence.
Vous pouvez créer un objet InputImage
à partir de différentes sources, chacune étant expliquée ci-dessous.
Utiliser un media.Image
Pour créer un objet InputImage
à partir d'un objet media.Image
, par exemple lorsque vous enregistrez une image à partir de l'appareil photo d'un appareil, transmettez l'objet media.Image
et la rotation de l'image à InputImage.fromMediaImage()
.
Si vous utilisez la bibliothèque CameraX, les classes OnImageCapturedListener
et ImageAnalysis.Analyzer
calculent la valeur de rotation pour vous.
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 // ... } } }
Si vous n'utilisez pas de bibliothèque de caméras qui indique le degré de rotation de l'image, vous pouvez la calculer à partir du degré de rotation et de l'orientation du capteur de l'appareil:
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; }
Transmettez ensuite l'objet media.Image
et la valeur du degré de rotation à InputImage.fromMediaImage()
:
Kotlin
val image = InputImage.fromMediaImage(mediaImage, rotation)
Java
InputImage image = InputImage.fromMediaImage(mediaImage, rotation);
Utiliser un URI de fichier
Pour créer un objet InputImage
à partir d'un URI de fichier, transmettez le contexte d'application et l'URI de fichier à InputImage.fromFilePath()
. Cela est utile lorsque vous utilisez un intent ACTION_GET_CONTENT
pour inviter l'utilisateur à sélectionner une image dans son application de galerie.
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(); }
Utiliser un ByteBuffer
ou ByteArray
Pour créer un objet InputImage
à partir d'un objet ByteBuffer
ou ByteArray
, vous devez d'abord calculer le degré de rotation de l'image comme décrit précédemment pour l'entrée media.Image
.
Créez ensuite l'objet InputImage
avec le tampon ou le tableau, ainsi que la hauteur, la largeur, le format d'encodage des couleurs et le degré de rotation de l'image:
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 );
Utiliser un Bitmap
Pour créer un objet InputImage
à partir d'un objet Bitmap
, effectuez la déclaration suivante:
Kotlin
val image = InputImage.fromBitmap(bitmap, 0)
Java
InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);
L'image est représentée par un objet Bitmap
avec des degrés de rotation.
3. Obtenir une instance de FaceDetector
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. Traiter l'image
Transmettez l'image à la méthodeprocess
:
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. Obtenir des informations sur les visages détectés
Si l'opération de détection des visages réussit, une liste d'objetsFace
est transmise à l'écouteur de réussite. Chaque objet Face
représente un visage détecté dans l'image. Pour chaque visage, vous pouvez obtenir ses coordonnées de délimitation dans l'image d'entrée, ainsi que toute autre information que vous avez configurée pour détecter le visage. Exemple :
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(); } }
Exemple de contours de visage
Lorsque la détection du contour du visage est activée, vous obtenez une liste de points pour chaque visage détecté. Ces points représentent la forme de l'élément géographique. Pour en savoir plus sur la représentation des contours, consultez la page Concepts de détection des visages.
L'image suivante montre comment ces points sont mappés à une face. Cliquez sur l'image pour l'agrandir:
Détection des visages en temps réel
Si vous souhaitez utiliser la détection des visages dans une application en temps réel, suivez ces consignes pour obtenir les meilleures fréquences d'images:
Configurez le détecteur de visage de sorte qu'il utilise la détection ou le classement des contours du visage et la détection des points de repère, mais pas les deux:
Détection des points de repère
Détection des points de repère
Classification
Détection et classification des points de repère
Détection des points de repère et détection des points de repère
Détection et classification des points de repère
Détection des points de repère, détection des points de repère et classificationActivez le mode
FAST
(activé par défaut).Envisagez de capturer des images avec une résolution inférieure. Gardez également à l'esprit les exigences de cette API concernant les dimensions d'image.
Camera
ou camera2
, limitez les appels au détecteur. Si une nouvelle image vidéo est disponible pendant que le détecteur est en cours d'exécution, abandonnez-la. Consultez la classe VisionProcessorBase
dans l'exemple d'application de démarrage rapide pour obtenir un exemple.
CameraX
, assurez-vous que la stratégie de contre-pression est définie sur sa valeur par défaut ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST
.
Ainsi, une seule image à la fois sera envoyée pour analyse. Si d'autres images sont produites lorsque l'analyseur est occupé, elles seront supprimées automatiquement et ne seront pas mises en file d'attente pour la diffusion. Une fois que l'image analysée est fermée en appelant ImageProxy.close(), la prochaine image la plus récente est diffusée.
CameraSourcePreview
et GraphicOverlay
dans l'exemple d'application de démarrage rapide pour obtenir un exemple.
ImageFormat.YUV_420_888
. Si vous utilisez l'ancienne API Camera, enregistrez des images au format ImageFormat.NV21
.