基于Face-api.js框架，在前端完成人脸识别

本文为大家介绍的是一款在浏览器端运行的人脸识别框架，即Face-api.js 。它基于TensorFlow.js，完成了从人脸检测，提取特征点，计算描述符和人脸匹配等一系列步骤。

基于faceapi.js框架，在前端完成人脸识别

识别效果图

由于此框架的易用性，通过寥寥几行JavaScript代码即可完成端到端的识别，以下介绍人脸识别的一般步骤：

人脸检测

首先，我们从图片或者视频帧中定位出人脸位置。框架为我们提供了三种用于人脸检测的模型。

Tiny Face Detector

Tiny Face Detector是一款性能非常高的实时人脸检测器，与SSD Mobilenet V1人脸检测器相比，它更快，更小，资源消耗更少，作为回报，它在检测小脸时的表现稍差。这个型号极具移动性和网络友好性，因此它应该是移动设备和资源有限的客户端上的GO-TO人脸检测器。量化模型的大小仅为190 KB（tiny_face_detector_model）。

SSD Mobilenet V1

对于面部检测，该项目实现了基于MobileNetV1的SSD（单次多盒检测器）。神经网络将计算图像中每个面部的位置，并将返回边界框以及每个面部的概率。该面部检测器旨在获得检测面部边界框而不是低推理时间的高精度。量化模型的大小约为5.4 MB（ssd_mobilenetv1_model）。

MTCNN

MTCNN（多任务级联卷积神经网络）代表了SSD Mobilenet v1和Tiny Yolo v2的替代面部检测器，它提供了更多的配置空间。通过调整输入参数，MTCNN应该能够检测各种面部边界框大小。MTCNN是一个3级级联CNN，它同时返回5个面部标志点以及每个面的边界框和分数。此外，型号尺寸仅为2MB。

提取68个特征点

该套件实现了一个非常轻巧，快速，准确的68点面部标志探测器。默认模型的大小仅为350kb（face_landmark_68_model），微小模型仅为80kb（face_landmark_68_tiny_model）。两种模型都采用深度可分离卷积以及密集连接块的思想。此外，模型已经在一个标有68个面部标志点的约35k个面部图像的数据集上进行了训练。

基于faceapi.js框架，在前端完成人脸识别

脸部特征点样图

计算描述符

对于面部识别，实现类似ResNet-34的体系结构以从任何给定面部图像计算面部描述符（具有128个值的特征向量），其用于描述人脸的特征。该模型不仅仅用于训练的面部集合，这意味着您可以将其用于任何人的面部识别，例如您自己。您可以通过比较它们的面部描述符来确定两个任意面的相似性，例如通过计算欧氏距离或使用您选择的任何其他分类器。