Оценка лиц
Сейчас в Face SDK реализован API процессинг-блоков – новый масштабируемый интерфейс, призванный в перспективе заместить существующие API. Планируется, что поддержка API, представленного в этом разделе, будет прекращена в 2024 году.
- Пол и возраст
- Эмоции
- Качество изображения лица
- Liveness (2D и 3D)
- Детекция маски
- Состояние глаз (открыты/закрыты)
Пол и возраст
Для оценки пола и возраста лица на изображении выполните следующие действия:
Создайте объект
AgeGenderEstimator
, вызвав методFacerecService.createAgeGenderEstimator
. В качестве аргумента передайте один из файлов конфигурации, перечисленных ниже:age_gender_estimator.xml
– первоначальная реализация интерфейса оценки пола и возраста AgeGenderEstimator.age_gender_estimator_v2.xml
– улучшенная версия интерфейса оценки пола и возраста AgeGenderEstimator, обеспечивает большую точность оценок при условии соблюдения рекомендаций по съемке.age_gender_estimator_v3.xml
– улучшенная версия интерфейса оценки пола и возраста, доступна для 64-разрядной версии Windows x86, 64-разрядной версии Linux x86 и Android.
Чтобы определить пол и возраст лица, вызовите метод
AgeGenderEstimator.estimateAgeGender
. Метод возвращает структуру типаAgeGenderEstimator.AgeGender
, которая содержит значение пола (AgeGenderEstimator.Gender
), возрастную группу (AgeGenderEstimator.Age
) и значение возраста в годах (float).
Всего доступны 4 возрастные группы:
- KID – возраст от 0 до 18 лет.
- YOUNG – возраст от 18 до 37 лет.
- ADULT – возраст от 37 до 55 лет.
- SENIOR – возраст от 55 и старше.
- C++
- C#
- Java
- Python
// создание объекта AgeGenderEstimator
const pbio::AgeGenderEstimator::Ptr age_gender_estimator = service->createAgeGenderEstimator("age_gender_estimator.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка пола и возраста
const pbio::AgeGenderEstimator::AgeGender age_gender = age_gender_estimator->estimateAgeGender(*samples[i]);
}
// создание объекта AgeGenderEstimator
AgeGenderEstimator age_gender_estimator = service.createAgeGenderEstimator("age_gender_estimator.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка пола и возраста
AgeGenderEstimator.AgeGender age_gender = age_gender_estimator.estimateAgeGender(sample);
}
// создание объекта AgeGenderEstimator
AgeGenderEstimator age_gender_estimator = service.createAgeGenderEstimator("age_gender_estimator.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка пола и возраста
AgeGenderEstimator.AgeGender age_gender = age_gender_estimator.estimateAgeGender(sample);
}
# создание объекта AgeGenderEstimator
age_gender_estimator = service.create_age_gender_estimator("age_gender_estimator.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка пола и возраста
age_gender = age_gender_estimator.estimate_age_gender(sample)
Пример использования AgeGenderEstimator
см. в demo.cpp. Также узнать о том, как определить пол и возраст лица с помощью Face SDK, можно в нашем туториале.
Для оценки пола и возраста через API процессинг-блоков см. раздел Оценка лиц.
Эмоции
Для оценки эмоций по лицу на изображении выполните следующие шаги:
Создайте объект
EmotionsEstimator
, вызвав методFacerecService.createEmotionsEstimator
. В качестве аргумента передайте один из двух доступных файлов конфигурации:emotions_estimator.xml
- позволяет оценить четыре эмоции' лица: happy (радость), surprised (удивление), neutral (спокойствие), angry (гнев).emotions_estimator_v2.xml
- позволяет оценить семь эмоций лица: happy (радость), surprised (удивление), neutral (спокойствие), angry (гнев), disgusted (отвращение), sad (грусть), scared (страх).
Для оценки эмоций вызовите метод
EmotionsEstimator.estimateEmotions
. Результатом будет массив элементов типаEmotionsEstimator.EmotionConfidence
, содержащих название эмоции и оценку уверенности.
- C++
- C#
- Java
- Python
// создание объекта EmotionsEstimator
const pbio::EmotionsEstimator::Ptr emotions_estimator = service->createEmotionsEstimator("emotions_estimator.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка эмоций
const std::vector<pbio::EmotionsEstimator::EmotionConfidence> emotions = emotions_estimator->estimateEmotions(*samples[i]);
}
// создание объекта EmotionsEstimator
EmotionsEstimator emotions_estimator = service.createEmotionsEstimator("emotions_estimator.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка эмоций
List<EmotionsEstimator.EmotionConfidence> emotions = emotions_estimator.estimateEmotions(sample);
}
// создание объекта EmotionsEstimator
EmotionsEstimator emotions_estimator = service.createEmotionsEstimator("emotions_estimator.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка эмоций
Vector<EmotionsEstimator.EmotionConfidence> emotions = emotions_estimator.estimateAgeGender(sample);
}
# создание объекта EmotionsEstimator
emotions_estimator = service.create_emotions_estimator("emotions_estimator.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка эмоций
emotions = emotions_estimator.estimate_emotions(sample)
Пример использования EmotionsEstimator
см. в demo.cpp.
Для определения эмоций через API процессинг-блоков см. раздел Оценка эмоций.
Более подробно об оценке пола, возраста и эмоций лиц на видеопотоке см. в разделе Обработка видеопотока.
Качество изображения лица
Для оценки качества изображений доступны два класса: QualityEstimator
и FaceQualityEstimator
.
QualityEstimator
предоставляет дискретные оценки качества: степень засветки, равномерность освещения, уровень шума и резкости.FaceQualityEstimator
предоставляет качество в виде единственного вещественного числа, агрегирующего качество освещения, размытие, шум и ракурс, что очень удобно для сравнения качества изображений, полученных от трекера.
Для оценки качества изображения через API процессинг-блоков см. раздел Блок проверки качества фото.
QualityEstimator
Создайте объект
QualityEstimator
, вызвав методFacerecService.createQualityEstimator
. В качестве аргумента передайте один из двух доступных файлов конфигурации:quality_estimator.xml
– первоначальная реализация интерфейса оценки качества QualityEstimator.quality_estimator_iso.xml
(рекомендуемый) – улучшенная версия интерфейса оценки качества QualityEstimator, обеспечивает большую точность оценок качества.
Чтобы определить качество изображения лица, вызовите метод
QualityEstimator.estimateQuality
. Метод возвращает структуру типаQualityEstimator.Quality
, которая содержит оценки засветки (flare
), равномерности освещения (lighting
), шума (noise
) и резкости (sharpness
).
- C++
- C#
- Java
- Python
// создание объекта QualityEstimator
const pbio::QualityEstimator::Ptr quality_estimator = service->createQualityEstimator("quality_estimator_iso.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка качества изображения
const pbio::QualityEstimator::Quality quality = quality_estimator->estimateQuality(*samples[i]);
}
// создание объекта QualityEstimator
QualityEstimator quality_estimator = service.createQualityEstimator("quality_estimator_iso.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка качества изображения
QualityEstimator.Quality quality = quality_estimator.estimateQuality(sample);
}
// создание объекта QualityEstimator
QualityEstimator quality_estimator = service.createQualityEstimator("quality_estimator_iso.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка качества изображения
QualityEstimator.Quality quality = quality_estimator.estimateQuality(sample);
}
# создание объекта QualityEstimator
quality_estimator = service.create_quality_estimator("quality_estimator_iso.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка качества изображения
quality = quality_estimator.estimate_quality(sample)
Пример использования QualityEstimator
см. в demo.cpp.
FaceQualityEstimator
- Создайте объект
FaceQualityEstimator
, вызвав методFacerecService.createFaceQualityEstimator
. В качестве аргумента передайте файл конфигурацииface_quality_estimator.xml
. - Чтобы определить качество изображения лица, вызовите метод
FaceQualityEstimator.estimateQuality
. Результатом будет вещественное число (значение может быть отрицательным), агрегирующее качество освещения, размытие, шум и ракурс (чем выше значение, тем выше качество).
- C++
- C#
- Java
- Python
// создание объекта FaceQualityEstimator
const pbio::FaceQualityEstimator::Ptr face_quality_estimator = service->createFaceQualityEstimator("face_quality_estimator.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка качества изображения лица
const pbio::FaceQualityEstimator::Quality face_quality = face_quality_estimator->estimateQuality(*samples[i]);
}
// создание объекта FaceQualityEstimator
FaceQualityEstimator face_quality_estimator = service.createFaceQualityEstimator("face_quality_estimator.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка качества изображения лица
FaceQualityEstimator.Quality face_quality = face_quality_estimator.estimateQuality(sample);
}
// создание объекта FaceQualityEstimator
FaceQualityEstimator face_quality_estimator = service.createFaceQualityEstimator("face_quality_estimator.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка качества изображения
float face_quality = face_quality_estimator.estimateQuality(sample);
}
# создание объекта FaceQualityEstimator
face_quality_estimator = service.create_face_quality_estimator("face_quality_estimator.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка качества изображения лица
face_quality = face_quality_estimator.estimate_quality(sample)
Пример использования FaceQualityEstimator
см. в demo.cpp.
Liveness
Технология liveness широко применяется для предотвращения спуфинг-атак с использованием распечатанных изображений, фото или видео лиц с экранов мобильных устройств и мониторов, а также разного рода масок (бумажных, силиконовых и др.).
Face SDK позволяет определить принадлежность лица реальному человеку тремя способами – посредством анализа карты глубины, анализа ИК изображения с камеры, либо через анализ цветного изображения с камеры.
Также доступна оценка liveness с помощью активной (сценарной) проверки, в ходе которой пользователю необходимо выполнить последовательность определенных действий (например, "повернуть голову", "улыбнуться", "моргнуть" и т.д.).
Узнать о том, как определить принадлежность лица реальному человеку с помощью Face SDK, можно в нашем туториале.
Технология liveness корректно работает только с сырыми данными, т.е. изображениями, полученными с камеры. В случае если перед подачей в Liveness Estimator изображение было отредактировано с помощью внешних программных средств (например, подвергнуто ретушированию), корректность работы liveness не гарантирутся, что регламентировано стандартом ISO/IEC 30107-1:2016.
Для оценки живости через API процессинг-блоков см. раздел Блок оценки живости.
DepthLivenessEstimator
Для оценки живости с использованием карты глубины создайте объект
DepthLivenessEstimator
, вызвав методFacerecService.createDepthLivenessEstimator
. В качестве аргумента укажите один из двух доступных файлов конфигурации:depth_liveness_estimator.xml
– первая реализация, не рекомендована к использованию (предназначена только для сохранения обратной совместимости).depth_liveness_estimator_cnn.xml
– реализация на основе нейронных сетей, рекомендуемый вариант (используется вVideoWorker
по умолчанию).
Для получения оценки вызовите метод
DepthLivenessEstimator.estimateLiveness
. В качестве аргумента передайтеsample
(образец лица) иdepth_map
(карту глубины). Карта глубины должна быть синхронизирована и отрегистрирована в соответствии с исходным изображением, на котором было обнаружено лицо. Метод вернет один из нижеперечисленных результатов:DepthLivenessEstimator.Liveness.NOT_ENOUGH_DATA
– слишком много отсутствующих значений на карте глубины.DepthLivenessEstimator.Liveness.REAL
– наблюдаемое лицо принадлежит живому человеку.DepthLivenessEstimator.Liveness.FAKE
– наблюдаемое лицо является фотографией.
- C++
- C#
- Java
- Python
// создание объекта DepthLivenessEstimator
const pbio::DepthLivenessEstimator::Ptr depth_liveness_estimator = service->createDepthLivenessEstimator("depth_liveness_estimator_cnn.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка liveness
const pbio::DepthLivenessEstimator::Liveness depth_liveness = depth_liveness_estimator->estimateLiveness(sample, depth_map);
}
// создание объекта DepthLivenessEstimator
DepthLivenessEstimator depth_liveness_estimator = service.createDepthLivenessEstimator("depth_liveness_estimator_cnn.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка liveness
DepthLivenessEstimator.Liveness depth_liveness = depth_liveness_estimator.estimateLiveness(sample, depth_map);
}
// создание объекта DepthLivenessEstimator
DepthLivenessEstimator depth_liveness_estimator = service.createDepthLivenessEstimator("depth_liveness_estimator_cnn.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка liveness
DepthLivenessEstimator.Liveness depth_liveness = depth_liveness_estimator.estimateLiveness(sample, depth_map);
}
# создание объекта DepthLivenessEstimator
depth_liveness_estimator = service.create_depth_liveness_estimator("depth_liveness_estimator_cnn.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка liveness
depth_liveness = depth_liveness_estimator.estimate_liveness(sample, depth_map)
IRLivenessEstimator
Для оценки живости с использованием инфракрасного изображения с камеры создайте объект
IRLivenessEstimator
, вызвав методFacerecService.createIRLivenessEstimator
. В качестве аргумента передайте файл конфигурацииir_liveness_estimator_cnn.xml
(реализация на основе нейронных сетей). Помимо ИК изображения для использования данного алгоритма также необходимо получать цветные кадры с камеры.Для получения оценки вызовите метод
IRLivenessEstimator.estimateLiveness
, передав в качестве аргументовsample
(образец лица) иir_frame
(инфракрасный кадр). Метод вернет один из нижеперечисленных результатов:IRLivenessEstimator.Liveness.NOT_ENOUGH_DATA
– слишком много отсутствующих значений на ИК изображенииIRLivenessEstimator.Liveness.REAL
– наблюдаемое лицо принадлежит живому человекуIRLivenessEstimator.Liveness.FAKE
– наблюдаемое лицо является фотографией
- C++
- C#
- Java
- Python
// создание объекта IRLivenessEstimator
const pbio::IRLivenessEstimator::Ptr ir_liveness_estimator = service->createIRLivenessEstimator("ir_liveness_estimator_cnn.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка liveness
const pbio::IRLivenessEstimator::Liveness ir_liveness = ir_liveness_estimator->estimateLiveness(sample, ir_frame);
}
// создание объекта IRLivenessEstimator
IRLivenessEstimator ir_liveness_estimator = service.createIRLivenessEstimator("ir_liveness_estimator_cnn.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка liveness
IRLivenessEstimator.Liveness ir_liveness = ir_liveness_estimator.estimateLiveness(sample, ir_frame);
}
// создание объекта IRLivenessEstimator
IRLivenessEstimator ir_liveness_estimator = service.createIRLivenessEstimator("ir_liveness_estimator_cnn.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка liveness
IRLivenessEstimator.Liveness ir_liveness = ir_liveness_estimator.estimateLiveness(sample, ir_frame);
}
# создание объекта IRLivenessEstimator
ir_liveness_estimator = service.create_ir_liveness_estimator("ir_liveness_estimator_cnn.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка liveness
ir_liveness = ir_liveness_estimator.estimate_liveness(sample, ir_frame)
Liveness2DEstimator
Для оценки liveness с использованием цветного изображения с камеры необходимо создать объект
Liveness2DEstimator
, вызвав методFacerecService.createLiveness2DEstimator
. В качестве аргумента укажите один из доступных файлов конфигурации:liveness_2d_estimator.xml
– первая реализация, не рекомендуется к использованию (предназначена только для сохранения обратной совместимости)liveness_2d_estimator_v2.xml
– ускоренная и улучшенная версия имеющегося модуля, рекомендуемый вариантliveness_2d_estimator_v3.xml
– оценка с применением нескольких дополнительных проверок, например, присутствие лица в кадре, фронтальность лица и качество изображения.
Для получения результата оценки можно использовать два метода:
Liveness2DEstimator.estimateLiveness
иLiveness2DEstimator.estimate
.
Liveness2DEstimator.estimateLiveness
: Этот метод возвращает объектLiveness2DEstimator.Liveness
.Использование файлов конфигурации
liveness_2d_estimator.xml
иliveness_2d_estimator_v2.xml
позволяет получить следующие результаты оценки:Liveness2DEstimator.Liveness.NOT_ENOUGH_DATA
– недостаточно данных для принятия решенияLiveness2DEstimator.Liveness.REAL
– наблюдаемое лицо принадлежит живому человекуLiveness2DEstimator.Liveness.FAKE
– наблюдаемое лицо является фотографией
Использование файла конфигурации
liveness_2d_estimator_v3.xml
позволяет получить расширенные результаты оценки:Liveness2DEstimator.Liveness.REAL
- наблюдаемое лицо принадлежит живому человекуLiveness2DEstimator.Liveness.FAKE
- наблюдаемое лицо является фотографиейLiveness2DEstimator.Liveness.IN_PROCESS
- оценка liveness не может быть выполненаLiveness2DEstimator.Liveness.NO_FACES
- отсутствие лиц на входном изображенииLiveness2DEstimator.Liveness.MANY_FACES
- больше одного лица на входном изображенииLiveness2DEstimator.Liveness.FACE_OUT
- наблюдаемое лицо выходит за границы входного изображенияLiveness2DEstimator.Liveness.FACE_TURNED_RIGHT
- наблюдаемое лицо не расположено фронтально и повернуто вправоLiveness2DEstimator.Liveness.FACE_TURNED_LEFT
- наблюдаемое лицо не расположено фронтально и повернуто влевоLiveness2DEstimator.Liveness.FACE_TURNED_UP
- наблюдаемое лицо не расположено фронтально и направлено вверхLiveness2DEstimator.Liveness.FACE_TURNED_DOWN
- наблюдаемое лицо не расположено фронтально и направлено внизLiveness2DEstimator.Liveness.BAD_IMAGE_LIGHTING
- входное изображение снято в условиях плохого освещенияLiveness2DEstimator.Liveness.BAD_IMAGE_NOISE
- высокий уровень зашумленности входного изображенияLiveness2DEstimator.Liveness.BAD_IMAGE_BLUR
- высокий уровень размытости входного изображенияLiveness2DEstimator.Liveness.BAD_IMAGE_FLARE
- большое число вспышек на входном изображении
Liveness2DEstimator.estimate
: Этот метод возвращает объектLiveness2DEstimator.LivenessAndScore
, содержащий следующие поля:liveness
- объект класса/структурыLiveness2DEstimator.Liveness
(см. выше).score
– числовое значение в диапазоне от 0 до 1, выражающее вероятность принадлежности лица реальному человеку (дляliveness_2d_estimator.xml
только 0 или 1).
- C++
- C#
- Java
- Python
// создание объекта Liveness2DEstimator
std::vector<pbio::RawSample::Ptr> liveness_2d_estimator = service->createLiveness2DEstimator("liveness_2d_estimator_v2.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка liveness
const pbio::Liveness2DEstimator::Liveness liveness = liveness_2d_estimator->estimateLiveness(*samples[i]);
}
// создание объекта Liveness2DEstimator
Liveness2DEstimator liveness_2d_estimator = service.createLiveness2DEstimator("liveness_2d_estimator_v2.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка liveness
Liveness2DEstimator.Liveness liveness = liveness_2d_estimator.estimateLiveness(sample);
}
// создание объекта Liveness2DEstimator
Liveness2DEstimator liveness_2d_estimator = service.createLiveness2DEstimator("liveness_2d_estimator_v2.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка liveness
Liveness2DEstimator.Liveness liveness = liveness_2d_estimator.estimateLiveness(sample);
}
# создание объекта Liveness2DEstimator
liveness_estimator = service.create_liveness_2d_estimator("liveness_2d_estimator_v2.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка liveness
liveness = liveness_estimator.estimate_liveness(sample)
Примеры использования доступны в сэмпле demo (C++/C#/Android).
Временные характеристики алгоритмов оценки живости (мс)
Версия | Core i7 4.5 ГГц (1 ядро) | Google Pixel 3 |
liveness_2d_estimator.xml | 250 | 126 (GPU) / 550 (CPU) |
liveness_2d_estimator_v2.xml | 10 | 20 |
Точность алгоритмов оценки живости
Набор данных | TAR@FAR=1e-2 |
CASIA Face Anti-spoofing | 0.99 |
Активная (сценарная) проверка
Данный тип оценки живости требует от пользователя выполнения определенных действий (сценария), например, "повернуть голову", "моргнуть" и т.д. Проверка осуществляется через объект VideoWorker
на основе видео потока. Более подробное описание представлено в разделе Обработка видеопотока.
FaceAttributesEstimator
Данный класс используется для оценки наличия маски на лице и оценки состояния глаз (открыты/закрыты). Для получения оценки необходимо вызвать метод FaceAttributesEstimator.estimate(RawSample)
. Результат оценки – объект Attribute
, который содержит в себе следующие атрибуты:
score
– вероятность наличия у лица требуемого атрибута, значение от0
до1
(если выставлено значение-1
, то данное поле недоступно для заданного типа оценки)verdict
– вероятность наличия у лица требуемого атрибута, логическое значение (true
/false
)mask
– объект класса/структурыFaceAttributesEstimator.FaceAttributes.Attribute
, который содержит в себе следующие значения:NOT_COMPUTED
– оценка не производиласьNO_MASK
– лицо без маскиHAS_MASK
– лицо с маской
left_eye_state
,right_eye_state
– объекты класса/структурыFaceAttributesEstimator.FaceAttributes.EyeStateScore
, которые содержат в себе следующие значения:NOT_COMPUTED
– оценка не производиласьCLOSED
– глаз закрытOPENED
– глаз открыт
Детекция маски
Для проверки наличия маски на лице необходимо использовать FaceAttributesEstimator
совместно с файлом конфигурации face_mask_estimator.xml
. При этом в возвращаемом объекте Attribute
выставляются атрибуты score
, verdict
и mask
.
Улучшенный алгоритм проверки маски на лице доступен в файле конфигурации "face_mask_estimator_v2.xml"
(на данный момент доступен только в 64-разрядной системе Windows x86 или 64-разрядной системе Linux x86).
- C++
- C#
- Java
- Python
// создание объекта FaceAttributesEstimator
const pbio::FaceAttributesEstimator::Ptr face_mask_estimator = service->createFaceAttributesEstimator("face_mask_estimator_v2.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка наличия маски
const pbio::FaceAttributesEstimator::Attribute mask = face_mask_estimator->estimate(*samples[i]);
}
// создание объекта FaceAttributesEstimator
FaceAttributesEstimator face_mask_estimator = service.createFaceAttributesEstimator("face_mask_estimator_v2.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка наличия маски
FaceAttributesEstimator.Attribute mask = face_mask_estimator.estimate(sample);
}
// создание объекта FaceAttributesEstimator
FaceAttributesEstimator face_mask_estimator = service.createFaceAttributesEstimator("face_mask_estimator_v2.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка наличия маски
FaceAttributesEstimator.Attribute mask = face_mask_estimator.estimate(sample);
}
# создание объекта FaceAttributesEstimator
face_mask_estimator = service.create_face_attributes_estimator("face_mask_estimator_v2.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка наличия маски
mask = face_mask_estimator.estimate(sample)
Для оценки наличия маски на лице через API процессинг-блоков см. раздел Детекция маски.
Состояние глаз (открыты/закрыты)
Для проверки состояния глаз (открыты/закрыты) необходимо использовать FaceAttributesEstimator
совместно с файлом конфигурации eyes_openness_estimator_v2.xml
. В возвращаемом объекте Attribute
выставляются атрибуты left_eye_state
и right_eye_state
.
- C++
- C#
- Java
- Python
// создание объекта FaceAttributesEstimator
const pbio::FaceAttributesEstimator::Ptr eyes_openness_estimator = service->createFaceAttributesEstimator("eyes_openness_estimator_v2.xml");
// детекция лиц
std::vector<pbio::RawSample::Ptr> samples = capturer->capture(image);
for(size_t i = 0; i < samples.size(); ++i)
{
// оценка состояния глаз
const pbio::FaceAttributesEstimator::Attribute eyes_state = eyes_openness_estimator->estimate(*samples[i]);
}
// создание объекта FaceAttributesEstimator
FaceAttributesEstimator eyes_openness_estimator = service.createFaceAttributesEstimator("eyes_openness_estimator_v2.xml");
// детекция лиц
List<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.Count; ++i)
{
RawSample sample = samples[i];
// оценка состояния глаз
FaceAttributesEstimator.Attribute eyes_state = eyes_openness_estimator.estimate(sample);
}
// создание объекта FaceAttributesEstimator
FaceAttributesEstimator eyes_openness_estimator = service.createFaceAttributesEstimator("eyes_openness_estimator_v2.xml");
// детекция лиц
Vector<RawSample> samples = capturer.capture(image);
for(int i = 0; i < samples.size(); i++)
{
RawSample sample = samples.get(i);
// оценка состояния глаз
FaceAttributesEstimator.Attribute eyes_state = eyes_openness_estimator.estimate(sample);
}
# создание объекта FaceAttributesEstimator
eyes_openness_estimator = service.create_face_attributes_estimator("eyes_openness_estimator_v2.xml")
# детекция лиц
samples = capturer.capture(image)
for sample in samples:
# оценка состояния глаз
eyes_state = eyes_openness_estimator.estimate(sample)