現(xiàn)在，在大部分時間里建立視頻通話變得相對簡單，我們可以繼續(xù)使用視頻流做一些有趣的事情。隨著機器學習（ML）的新進展以及越來越多的API和庫的出現(xiàn)，計算機視覺也變得越來越容易。Google的ML Kit是最近提出的一個新的基于機器學習的庫，可以快速訪問計算機視覺輸出。
為了展示如何使用Google的新ML KIT來檢測實時WebRTC流上用戶的笑容，我想歡迎過去Houseparty的WebRTC視頻大師Gustavo Garcia Bernardo。與此同時歡迎TokBox的移動WebRTC專家Roberto Perez。他們給出了一些關于做面部檢測的背景知識，展示了一些代碼示例，但更重要的是分享了他們實現(xiàn)實時通信（RTC）應用程序內的微笑檢測的最佳配置的研究。
介紹
在實時通信（RTC）中最常見的機器學習（的例子是計算機視覺。然而，除了使用人臉檢測進行識別、跟蹤和增強之外，我們還沒有看到這些算法的許多實際應用。 幸運地是兩周前Houseparty首席執(zhí)行官Ben Rubin發(fā)表的一則讓我們有機會探索人造視覺用例的評論：
“若有人可以做一個來檢測笑臉的編外項目，以便讓我們可以開始測量笑容并在儀表板上顯示。 我認為這在許多不同的層面上都很重要。”
幾乎與此同時，Google發(fā)布了他們用于機器學習的新的跨平臺移動SDK，名為ML Kit。 我們想要立即測試這個。 幸運地是，所有的行星都可以讓我們在一個真正的應用上嘗試一下，即：在WebRTC對話中，在iPhone本地上通過ML檢測笑容。
框架選擇
我們可以一些設備上的機器學習框架和庫開始這項任務。這種類型的用例最有名的庫可能是OpenCV。 OpenCV是一個非常成熟的多平臺解決方案，具有多種基于傳統(tǒng)圖像處理技術的功能。 特別是對于iOS，Apple去年在這一領域開始添加一些新的API接口。現(xiàn)在他們擁有高層次的Vision框架和更低層次但更靈活的CoreML。 在Android方面，ML支持主要由Tensorflow Lite提供。另外還有，在前面提到的，Google最近添加了新的ML Kit框架。
ML Kit具有一些優(yōu)點。首先，它是多平臺的，支持Android和iOS。 它也有幾個不同級別的抽象概念（高級和低級的API）。另外，它提供了不同的部署和執(zhí)行模型，允許在設備上和在云中進行處理。 最后，它還能夠實時優(yōu)化和更新設備上的模型。
實現(xiàn)
從流中提取圖像
我們需要做的第一件事是將ML Kit集成在我們的WebRTC應用程序，以便訪問這些圖像。 我們需要獲取本地或遠程框架（取決于我們的用例）并將它們轉換為ML Kit支持的正確格式。
ML Kit 人臉檢測實驗中 幀圖像朝上的方向
在iOS中，ML Kit支持以UIImage或CMSampleBufferRef格式傳遞的幀。 注意 - 請確保旋轉圖像以保證圖像幀“朝上”。根據(jù)您使用的不同WebRTC API，獲取圖像的方法也不同。如果你使用官方WebRTC iOS框架，則可以將新的渲染器連接到本地或遠程RTCVideoTrack，以接收視頻幀作為RTCVideoFrame的實例。 通過訪問YUV緩沖區(qū)，你可以輕松地將其轉換為UIImage。
如果你使用的是像TokBox這樣的平臺上的API，那么你將使用自定義驅動程序訪問原始本地幀，然后在用戶端收到它們后將它們傳遞給WebRT和/或遠程幀。 這些幀將作為CVPixelBuffer或YUV緩沖區(qū)接收，這些緩沖區(qū)也很容易轉換為UIImage。
人臉檢測API
一旦你有了UIImage的框架，你可以將它傳遞給ML Kit人臉檢測器。正如我們稍后在大多數(shù)情況下會看到的那樣，您只會傳遞一定比例的幀，以減少對CPU使用率的影響。這是一段代碼，展示了訪問ML Kit API的容易程度：
概率閾值
我們發(fā)現(xiàn)使用0.5作為微笑概率閾值為我們的需求提供了良好的結果。 你可以看看我們構建的示例應用程序中的完整代碼，通過利用使用OpenTok捕獲視的頻和上面的代碼來檢測微笑的概率。
性能評估
RTC應用程序通常是資源密集型的。 添加機器學習增加了這一點，所以資源消耗是一個主要問題。對于ML，通常要在準確性和資源使用之間進行權衡。在本節(jié)中，我們從不同的角度評估這些影響，為決定如何將這些功能引入應用程序提供一些預期值和指導方針。
注意：以下測試中的所有結果均在使用低端的iPhone 5 SE設備完成。
時延
要考慮的第一個重要參數(shù)是執(zhí)行檢測需要多長時間。
ML Kit具有一系列設置：
- 檢測模式：ML Kit在此提供兩個選項：Fast vs. Accurate（快速與準確）。
- 標記：識別眼睛，嘴巴，鼻子和耳朵。啟用此功能會減慢檢測速度，但我們得到的結果要好得多。
- 分類：我們需要此功能進行笑臉檢測
- 臉部跟蹤：跨幀跟蹤相同的臉部。啟用它可以使檢測速度更快
檢測時間以毫秒為單位 （ms）
精確模式和快速模式之間的差異并不大（除非跟蹤功能被禁用）。 我們用快速模式獲得的精確度非常好，所以我們決定采用以下組合：快速模式+標志+追蹤。
CPU使用率
接下來我們將評估CPU使用率。 我們以每秒25幀的速率來處理。 在我們的用例中（以及其他許多情況下），我們不一定需要處理每一幀。 CPU /電池節(jié)省對我們來說比檢測每一個微笑更重要，因此我們運行了一些測試，修改了我們傳遞給ML Kit進行識別的每秒幀數(shù)。
正如您在下圖中看到的那樣，在默認基線之上的額外CPU使用率（僅從攝像頭捕獲而不進行任何ML處理）與傳遞至ML Kit的臉部和笑臉檢測API的每秒幀數(shù)幾乎成線性增長。
ML Kit以不同幀率處理的CPU使用率
對于我們的實驗，每1或2秒處理一幀時，CPU使用率就是合理的。
應用程序大小
現(xiàn)在，我們來考慮應用程序的大小。 我們的應用程序與任何應用程序一樣，需要下載并加載。小總是好一些。隨著ML套件的應用程序的大小“剛”增長約15Mb。 示例應用程序大小從只使用OpenTok時的46.8Mb到ML Kit添加進來后的61.5Mb。
準確度
最后我們聊聊準確性。我們注意到的第一件事情是即使在快速模式下配置ML Kit時，面部檢測的準確程度也是如此。 我們的測試是在一個典型的移動/桌面視頻會議設置中完成的，人在看相機，沒有任何物體阻擋它。 在其他情況下，檢測會更加不可靠，并且不是很有用。 ML Kit也支持在圖像中檢測多個面，但我們沒有進行太多的測試，因為它在我們應用程序的使用中并不常見。
在我們的測試中，算法的決策總是非常接近人類可能會說的那樣（至少在我們看來）。 您可以在下面看到一個視頻以供參考，或者是自己運行示例應用并查看結果。
結論
即使這個用例非常簡單，它也使我們有機會評估新的有前途的ML Kit框架。 它讓我們看到了向應用程序添加新計算機視覺功能的價值和便利性。 從我們的角度來看，這次評估的兩個最有意思的結果是：一，這些模型的準確性之高令人驚訝，二，無法像預期中的在當今典型的移動設備中以全幀速率運行這些算法
同樣重要的是要注意，這些人臉檢測用例中的一些可以用更簡單的圖像處理算法來解決，而不是應用ML技術。 在這方面，像蘋果核心圖像這樣的一些API可能會提供更好的資源與精確度之間的折衷 - 至少可以在iOS平臺上進行人臉檢測。
然而，傳統(tǒng)的圖像處理方法僅限于用在那些算法設計的一些簡化場景。 ML算法可以進行擴展和重新訓練。 例如，使用ML來檢測自定義人員的其他特征（如性別，年齡等）也可能很好。這種分析級別超出了傳統(tǒng)圖像分析算法可以達到的級別。
下一步
從技術角度來看，這次評估的下一步將是使用定制模型（可能使用CoreML）來實現(xiàn)更復雜的用例。 我們想到的是基于生成對抗網絡的圖像重建，用于非理想網絡條件下的視頻傳輸。這可能是提高視頻質量的全新方法。
LiveVideoStackCon 2018講師招募
LiveVideoStackCon 2018是音視頻技術領域的綜合技術大會，今年是在10月19-20日在北京舉行。大會共設立18個專題，預計邀請超過80位技術專家。如果你在某一領域獨當一面，歡迎申請成為LiveVideoStackCon 2018的講師，讓你的經驗幫到更多人，你可以通過speaker@livevideostack.com提交演講信息。
