使用 MediaPipe 和 TensorFlow.js 进行人体分割

Posted 谷歌开发者

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了使用 MediaPipe 和 TensorFlow.js 进行人体分割相关的知识，希望对你有一定的参考价值。

发布人：Google 团队 Ivan Grishchenko、Valentin Bazarevsky、Ahmed Sabie、Jason Mayes

随着人们对健康和健身的兴趣日益浓厚，去年我们看到越来越多的 TensorFlow.js 用户开始涉及这一领域，使用了我们与人体相关的现有 ML 模型，如 Face Mesh、人体姿态和手部姿态预测等。

  • Face Mesh

    https://www.npmjs.com/package/@tensorflow-models/face-landmarks-detection

  • 人体姿态

    https://github.com/tensorflow/tfjs-models/tree/master/pose-detection

  • 手部姿态

    https://github.com/tensorflow/tfjs-models/tree/master/hand-pose-detection

日前，我们发布了两个全新的高度优化人体分割模型，这两个模型不仅准确快捷，同时也是 TensorFlow.js 中更新后的人体分割和姿态 API 的重要组成部分。

  • TensorFlow.js

    https://tensorflow.google.cn/js

首先是 BlazePose GHUM 姿态预测模型，该模型如今可在人体分割领域提供额外支持。如下动图所示，该模型是我们提供的统一姿态检测 API 的组成部分，可以同时进行全身分割和 3D 姿态预测。例如，该模型非常适合用于分割在远距离下拍摄的全身人体，可精准捕获脚部和腿部区域。

  • BlazePose GHUM 姿势预测模型

    https://github.com/tensorflow/tfjs-models/tree/master/pose-detection/src/blazepose_mediapipe

试用实时演示版！

  • 试用实时演示版！

    https://storage.googleapis.com/tfjs-models/demos/segmentation/index.html?model=blazepose

我们发布的第二个模型是自拍人像抠图模型，该模型非常适合用于人们在网络摄像头前进行视频通话的情况（距离小于 2 米），如下动图所示。该模型是我们统一人体分割 API 的组成部分，在检测上半身时可以表现出较高的准确率，但在某些情况下，检测下半身时准确率可能会降低。

试用实时演示版！

  • 试用实时演示版！

    https://storage.googleapis.com/tfjs-models/demos/segmentation/index.html?model=selfie_segmentation

这两种新模型催生了一系列以人体为中心的创新性应用，从而推动下一代 Web 应用的发展。例如，BlazePose GHUM 姿态模型可以为多种服务提供支持，例如通过数字形式将您的存在传送到世界任何地点、为线上裁缝估算身体尺寸，或者是为音乐视频制作特效等等，可能性无穷无尽。相对而言，自拍人像抠图模型则可以在基于 Web 的视频通话中实现简单易用的功能。比如在上面的演示中，您可以准确地改变或模糊背景。

  • 通过数字形式将您的存在传送

    https://twitter.com/Google/status/1286753701491867651

  • 为线上裁缝估算身体尺寸

    https://www.youtube.com/watch?v=kFtIddNLcuM

在此次发布之前，很多用户可能已经体验过 BodyPix 模型，该模型在发布时代表了当时最先进的模型水平。我们现在发布的两个全新模型，则可以为不同案例中的设备提供更高的 FPS 和保真度。

  • BodyPix

    https://github.com/tensorflow/tfjs-models/tree/master/body-pix

人体分割 API 安装

人体分割 API 可为自拍人像抠图模型提供两个运行时，分别是 MediaPipe 运行时和 TensorFlow.js 运行时。

要安装 API 和运行时库，您可在 html 文件中使用 <script> 标签或使用 NPM。

通过脚本标签：

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-backend-webgl">
<script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/body-segmentation">

<!-- Optional: Include below scripts if you want to use TensorFlow.js runtime. -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-converter">

<!-- Optional: Include below scripts if you want to use MediaPipe runtime. -->
<script src="https://cdn.jsdelivr.net/npm/@mediapipe/selfie_segmentation">

通过 NPM：

yarn add @tensorflow/tfjs-core @tensorflow/tfjs-backend-webgl
yarn add @tensorflow-models/body-segmentation

# Run below commands if you want to use TensorFlow.js runtime.
yarn add @tensorflow/tfjs-converter

# Run below commands if you want to use MediaPipe runtime.
yarn add @mediapipe/selfie_segmentation

要在 JS 代码中引用 API，具体操作取决于您安装库的方式。

如果是通过脚本标签安装，您可以通过全局命名空间 bodySegmentation 引用库。

如果是通过 NPM 安装，您需要首先导入库：

import '@tensorflow/tfjs-backend-core';
import '@tensorflow/tfjs-backend-webgl';
import * as bodySegmentation from '@tensorflow-models/body-segmentation';

// Uncomment the line below if you want to use TensorFlow.js runtime.
// import '@tensorflow/tfjs-converter';

// Uncomment the line below if you want to use MediaPipe runtime.
// import '@mediapipe/selfie_segmentation';

亲自体验一下！

首先，您需要创建分割器：

const model = bodySegmentation.SupportedModels.MediaPipeSelfieSegmentation; // or 'BodyPix'

const segmenterConfig = 
  runtime: 'mediapipe', // or 'tfjs'
  modelType: 'general' // or 'landscape'
;

segmenter = await bodySegmentation.createSegmenter(model, segmenterConfig);

选择一个适合您应用需求的 modelType，您可从 general 和 landscape 两个选项中进行选择。从 landscape 到 general，准确率递增，但推断速度递减。请尝试我们的实时演示版来比较不同配置间的差异。

有了分割器后，您就可以传入视频串流、静态图像或 TensorFlow.js 张量来分割人体：

const video = document.getElementById('video');
const people = await segmenter.segmentPeople(video);

如何使用输出结果？

上述 people 结果代表了图像帧中发现的分割后人体的数组。然而，每个模型在给定的分割条件下，语义也各有差异。

对于自拍人像抠图模型而言，数组长度刚好为 1，其中单次分割操作对应图像帧中的所有人体。每个 segmentation 中都包含 maskValueToLabel 和 mask 属性，详细信息如下所示。

mask 字段存储的对象可以提供对分割潜在结果的访问权限。然后，您可以利用提供的异步转换函数（如 toCanvasImageSource、toImageData 和 toTensor），具体取决于您想要提高效率的输出类型。

请注意：不同的模型有不同的内部数据表示。因此将一种形式的分割转换为另一种形式可能会花费大量成本。为了提高效率，您可以调用 getUnderlyingType 来确定分割的形式，这样您便可以选择保持相同的形式，以便更快地获取结果。

mask RGBA 值的语义如下所示：图像掩码的大小与输入图像相同，其中绿色和蓝色通道总是设置为 0。不同的红色值代表不同的身体部位（参见下方的 maskValueToLabel 键）。不同的 alpha 值代表像素是人体像素的可能性（最低可能性为 0，最高可能性为 255）。

maskValueToLabel 将像素的红色通道值映射到该像素的分割部位名称。此规则无需在不同模型间保持一致（例如自拍人像抠图模型由于无法分辨身体各个部分，总是会返回“person”；而类似 BodyPix 的模型会返回身体各个部位的名称，因为这类模型能够辨别每个分割后的像素）。请查看下面的输出片段示例：

[
  
    maskValueToLabel: (maskValue: number) =>  return 'person' ,
    mask: 
      toCanvasImageSource(): ...
      toImageData(): ...
      toTensor(): ...
      getUnderlyingType(): ...
    
  
]

同样我们也提供可选的实用函数，以便您可以使用该函数来渲染分割结果。使用 toBinaryMask 函数将分割结果转换为 ImageData 对象。

该函数使用 5 个参数，其中后 4 个参数为可选参数：

  1. 来自以上 segmentPeople 调用的分割结果。

  2. 前景色：用于渲染前景像素的表示 RGBA 值的对象。

  3. 背景色：用于背景像素的带有 RGBA 值的对象。

  4. 绘制轮廓：如果要在所发现人员的身体周围绘制轮廓线，请使用布尔值。

  5. 前景阈值：前景像素和背景像素的临界点。该值为 0 到 1 之间的浮点值。

通过 toBinaryMask 得到 imageData 对象后，您可以使用 drawMask 函数将此对象渲染到您选择的画布上。

以下是使用这两个函数的示例代码：

const foregroundColor = r: 0, g: 0, b: 0, a: 0;
const backgroundColor = r: 0, g: 0, b: 0, a: 255;
const drawContour = true;
const foregroundThreshold = 0.6;

const backgroundDarkeningMask = await bodySegmentation.toBinaryMask(people, foregroundColor, backgroundColor, drawContour, foregroundThreshold);

const opacity = 0.7;
const maskBlurAmount = 3; // Number of pixels to blur by.
const canvas = document.getElementById('canvas');

const people = await bodySegmentation.drawMask(canvas, video, backgroundDarkeningMask, opacity, maskBlurAmount);

姿态检测 API 使用

如要加载和使用 BlazePose GHUM 模型，请参考统一的姿态 API 文档。该模型有三种输出结果：

  • 姿态 API 文档

    https://github.com/tensorflow/tfjs-models/tree/master/pose-detection

  1. 2D 关键点

  2. 3D 关键点

  3. 对每个发现的姿态进行的分割

如果您需要从姿态结果中获取分割结果，您只需要该姿态分割属性的引用，如下所示：

const poses = await detector.estimatePoses(video);
const firstSegmentation = poses.length > 0 ? poses[0].segmentation : null;

深入探索模型

BlazePose GHUM 模型和 MediaPipe 自拍人像抠图模型均能对画面中的突出人物进行分割。两种模型都可以在笔记本电脑和智能手机上实时运行，但正如本文开始时讨论的，预期的应用可能会有所不同。自拍人像抠图适合用于近距离（小于 2 米）的自拍效果和会议，BlazePose GHUM 则适用于距离摄像头 4 米以内的全身捕捉，如瑜伽、健身和舞蹈。

自拍人像抠图

自拍人像抠图模型可以预测人体前景的二进制分割掩码。流水线的结构完全在 GPU 上运行，无论是基于神经网络推断的图像采集还是将分割结果呈现在屏幕上。这样可避免缓慢的 CPU 到 GPU 同步，从而实现性能最大化。模型的多种变体都支持在 Google Meet 中替换背景，现可在 TensorFlow.js 和 MediaPipe 中使用更通用的模型。

  • 在 Google Meet 中替换背景

    https://ai.googleblog.com/2020/10/background-features-in-google-meet.html

  • TensorFlow.js

    https://github.com/tensorflow/tfjs-models/tree/master/body-segmentation

  • MediaPipe

    https://google.github.io/mediapipe/solutions/selfie_segmentation

BlazePose GHUM 2D 界标和人体分割

除了之前介绍的 2D 和 3D 界标，BlazePose GHUM 模型现在还提供人体分割掩码。使用可预测两个输出结果的单个模型，有以下两个好处。第一个好处是该模型允许输出结果相互监督和改进，因为界标只能给出语义结构，而分割只会注重边缘轮廓。其次，该模型能够保证预测的掩码和标记点属于同一个人，分开使用模型很难实现这一点。由于 BlazePose GHUM 模型只能在人像的 ROI 裁剪图像上运行（相较于全尺寸图像），所以分割掩码的质量只取决于 ROI 内的有效分辨率，当人体靠近或远离摄像头时，质量不会出现很大的变化。

  • 2D

    https://blog.tensorflow.org/2021/05/high-fidelity-pose-tracking-with-mediapipe-blazepose-and-tfjs.html

在不同领域中的 BlazePose GHUM 和自拍人像抠图 IOU

MediaPipe 和 TensorFlow.js 运行时

使用每种运行时都有一定的优点和缺点。如下面的性能表所示，MediaPipe 运行时在桌面设备、笔记本电脑和 android 手机上的推断速度较快，TensorFlow.js 运行时在 iPhone 和 iPad 上的推断速度较快。

这里的 FPS 值指的是通过模型执行推断以及等待 GPU 和 CPU 同步所花费的时间。此操作是为了确保 GPU 已经完全完成基准测试，但对于只使用 GPU 进行生产的流水线来说，无需花费时间等待同步，所以这一数值仍有优化空间。对于只使用 GPU 的流水线来说，如果您使用的是 MediaPipe 运行时，您只需要使用 await mask.toCanvasImageSource()；如果您使用的是 TF.js 运行时，请参考此示例，了解如何直接在 GPU 上使用纹理来达到渲染效果。

  • 此示例

    https://github.com/tensorflow/tfjs-examples/tree/master/gpu-pipeline

基准

自拍人像抠图模型

自拍人像抠图在不同设备和运行时中的推断速度。每个单元格中的第一个数字代表横屏模型，第二个数字代表通用模型

BlazePose GHUM 模型

BlazePose GHUM 全身分割在不同设备和运行时中的推断速度。每个单元格中的第一个数字代表精简模型，第二个数字代表完整模型，第三个数字代表庞大模型。注意：可在模型参数中将 enableSegmentation 设置为 False，从而关闭分割输出结果，此操作将提升模型的性能

展望未来

我们一直致力于研发新功能，并对技术质量作出改进（例如我们在 BlazePose GHUM 最初的 2D 版本发布后推出了 3D 版本更新，同时于去年进行了第三次 BlazePose GHUM 更新），所以在不远的将来我们将推出更多激动人心的更新，敬请期待！

致谢

我们想要对在创建自拍人像抠图和 BlazePose GHUM 模型，以及构建 API 的过程中，参与其中或提供帮助的各位同事表示感谢：Siargey Pisarchyk、Tingbo Hou、Artsiom Ablavatski、Karthik Raveendran、Eduard Gabriel Bazavan、Andrei Zanfir、Cristian Sminchisescu、Chuo-Ling Chang、Matthias Grundmann、Michael Hays、Tyler Mullen、Na Li、Ping Yu。

推荐阅读

利用 MediaPipe 和 TensorFlow.js 检测 3D 手部姿态

使用 MediaPipe BlazePose GHUM 和 TensorFlow.js 进行 3D 姿态检测

以上是关于使用 MediaPipe 和 TensorFlow.js 进行人体分割的主要内容，如果未能解决你的问题，请参考以下文章

利用 MediaPipe 和 TensorFlow.js 检测 3D 手部姿态

TENSORFLOW.JS 3D 姿势估计不起作用

基于mediapipe的姿态识别和简单行为识别

基于mediapipe的动作捕捉和Unity的球棍模型同步

mediapipe 解决方案::FaceDetection

在 Python 3.7.9 中使用 opencv 和 mediapipe 制作手部跟踪​​模块时出错