Android App开发教学： 利用MediaPipe实现即时脸部侦测功能

前言

在Android开发中，实现即时脸部侦测功能是一个具有挑战性且引人注目的任务。幸运的是，Google的MediaPipe库为我们提供了一个简单且高效的解决方案。MediaPipe是一个开源的跨平台机器学习框架，可以用于各种视觉计算任务，包括脸部侦测。在本篇教学中，我们将使用MediaPipe库来实现一个即时脸部侦测功能的Android应用。

我期待这个教学能够为Android开发者们带来新的灵感和挑战，开启更加创新和丰富多彩的应用开发之旅。让我们一同开始这个令人兴奋的探索之旅吧！

下载Tensorflow 范例代码

由于此次的教学需要用到Camera进行获取影像，因此需要应用Camera的相关App代码，我为大家推荐一个快速上手的范例 TFLite Model Maker 0.3.2，利用此范例的object_detection代码进行MediaPipe脸部侦测代码整合，即可快速获得结果。

使用Android Studio开启Tensorflow范例内的object_detection专案。

Android Studio安装MediaPipe的facedetection库

以下环境是在Windows 10下建置

a.       在app -> build.gradle -> dependencies区块添加文件添加。

implementation 'com.google.mediapipe:solution-core:latest.release'
implementation 'com.google.mediapipe:facedetection:latest.release'​

设定完后记得，点击Sync Now进行同步，完成之后，MediaPipe的facedetection库套件就成功加入项目内。

MediaPipe的facedetection Android Java范例代码

MediaPipe提供了Android Java的绘框范例代码，看官们只要按照以下几点设定及修改代码，即可成功将face detection结果呈现。

至mediapipe的Github下载FaceDetectionResultImageView.java 代码，此代码进行绘框动作。
 

b. 在app -> java 新增一个mediapipe资料夹，并将下载的java档案添加，并修改FaceDetectionResultImageView.java档案，将原本的package com.google.mediapipe.examples.facedetection;改为package org.tensorflow.lite.examples.detection.mediapipe;。

在res -> layout -> xml档案修改UI设计，增加一个FrameLayout，id为preview_display_layout 。

在DetectorActivity.java档案下进行以下修改

import com.google.mediapipe.formats.proto.LocationDataProto;
import com.google.mediapipe.solutions.facedetection.FaceDetection;
import com.google.mediapipe.solutions.facedetection.FaceDetectionOptions;
import com.google.mediapipe.solutions.facedetection.FaceDetectionResult;
import com.google.mediapipe.solutions.facedetection.FaceKeypoint;
Import org.tensorflow.lite.examples.detection.mediapipe.FaceDetectionResultImageView;

在DetectorActivity class内增加代码

private FaceDetection faceDetection;
private FaceDetectionResultImageView imageView;

在onPreviewSizeChosen增加代码

imageView = new FaceDetectionResultImageView(this);
setupStaticImageModePipeline();​

增加setupStaticImageModePipeline函式

private void setupStaticImageModePipeline() {
    // Initializes a new MediaPipe Face Detection solution instance in the static image mode.
faceDetection =
new FaceDetection(
this,
FaceDetectionOptions.builder()
.setStaticImageMode(true)
.setModelSelection(0)
.setMinDetectionConfidence(1.0f)
.build());
// Connects MediaPipe Face Detection solution to the user-defined
FaceDetectionResultImageView.
faceDetection.setResultListener(
faceDetectionResult -> {
logNoseTipKeypoint(faceDetectionResult, /*faceIndex=*/ 0, /*showPixelValues=*/ true);
imageView.setFaceDetectionResult(faceDetectionResult);
runOnUiThread(() -> imageView.update());
});
faceDetection.setErrorListener((message, e) -> Log.e("MediaPipe", "MediaPipe Face
Detection error:" + message));
// Updates the preview layout.
FrameLayout frameLayout = findViewById(R.id.preview_display_layout);
FrameLayout frameLayout1 = findViewById(R.id.container);
frameLayout1.setVisibility(View.GONE);
frameLayout.removeAllViewsInLayout();
imageView.setImageDrawable(null);
frameLayout.addView(imageView);
imageView.setVisibility(View.VISIBLE);
}

增加logNoseTipKeypoint函式

private void logNoseTipKeypoint(
          FaceDetectionResult result,
          int faceIndex,
          boolean showPixelValues
  ) {
    if (result.multiFaceDetections().isEmpty()) {
      return;
    }
    LocationDataProto.LocationData.RelativeKeypoint noseTip =
            result
                    .multiFaceDetections()
                    .get(faceIndex)
                    .getLocationData()
                    .getRelativeKeypoints(FaceKeypoint.NOSE_TIP);
    if (showPixelValues) {
      int width = result.inputBitmap().getWidth();
      int height = result.inputBitmap().getHeight();
      Log.i(
              "MediaPipe",
              String.format(
                      "MediaPipe Face Detection nose tip coordinates (pixel values): x=%f, 
                      y=%f",noseTip.getX() * width, noseTip.getY() * height));
    } else {
      Log.i(
              "MediaPipe",
              String.format(
                      "MediaPipe Face Detection nose tip normalized coordinates (value range: 
                [0, 1]):"+ " x=%f, y=%f",noseTip.getX(), noseTip.getY()));
    }
  }

在processImage增加代码

faceDetection.send(croppedBitmap);

结果显示

结语

透过以上的教学，相信各位已经能够成功透过Android Studio轻松地将Tensorflow 范例与MediaPipe库进行结合，并使用脸部侦测功能；这让想使用MediaPipe进行应用的看官们提供更多的功能应用选择，希望这篇教学能够帮助各位看官们入门使用MediaPipe库，并激发看官们在Android开发中探索更多有趣应用的想像力，有问题的看官们欢迎联系我，我们一同讨论。

喜欢我的帖子，请帮我按个”收藏”，我们下回见。

 Q&A

1.MediaPipe库支援的Android版本是多少？

      Ans：MediaPipe库支援Android 5.0及以上版本。

2.如何在Android项目中添加其他视觉计算任务，例如手部跟踪？

     Ans：添加其他视觉计算任务与本篇教学类似。首先，你需要查找MediaPipe库中相应的模型，然后在Android项目中集成并使用这些模型。具体步骤与脸部侦测类似，此部分下一篇博文会介绍，近请期待。

3.MediaPipe库在运行时是否需要联网？

      Ans：MediaPipe库不需要联网，因为它使用的模型和资源都包含在项目中，透过Edge端进行推论。

4.MediaPipe库的运行效率如何？

      Ans：MediaPipe库在设计上注重运行效率，并且可以利用GPU来加速计算，因此通常具有较高的处理速度和良好的实时性能。

5.是否可以在MediaPipe库的基础上扩展更多视觉计算任务？

      Ans：是的，你可以在MediaPipe库的基础上扩展更多视觉计算任务，只需要添加相应的模型和处理代码。

欢迎登录大大通，查看更多精彩内容吧！