前言
首先我们需要先了解一下什么是webRTC 他能做什么
webRTC主要是帮我们处理多媒体应用，如音视频通话，屏幕共享都可以实现，主要基于浏览器API调用，
前言
首先我们需要先了解一下什么是webRTC 他能做什么
webRTC主要是帮我们处理多媒体应用，如音视频通话，屏幕共享都可以实现，主要基于浏览器API调用，其底层浏览器会调用native C++ 等一些库帮我们实现的，而我们在应用层掉API 即可。
桌面程序我们选择 tauri 而不是 electron
- 体积更小
electron的 架构是 将Node.js集成到Chromium中 因此啥也不写打包完之后体积也有40-50MB 而tauri不在嵌入nodejs + Chromium前端使用webview2渲染，后端和操作系统集成这块使用rust实现，打包只有3MB。 - 安全方面，
tauri最终在打包之后会生成二进制文件，会增加破解难度，而electron 打包 会把node_modules打进去，增加了体积，而且没有加密。 - 自动更新 electron 和 tauir 都内置了自动更新 但是electron还是使用electron-updater 多一些，
tauri相比electron 就简单了tauri.app/zh-cn/v1/gu…
详细对比
安装rust
tauri 是基于 rust 的 我们需要先安装rust
下载rust www.rust-lang.org/learn/get-s…
根据自己的操作系统选择下载方式即可
安装完成之后会有 cargo 和 rustc 两个命令
cargo 就是 rust 的包管理工具 类似于npm
cargo build 可以构建项目
cargo run 可以运行项目
cargo test 可以测试项目
cargo doc 可以为项目构建文档
cargo publish 可以将库发布到 crates.io。
构建tauri应用
pnpm create tauri-app |
选择对应的模板即可
构建完成之后 执行
pnpm tauri dev
App.vue
<template>
<div>
<video controls ref="video" src=""></video>
<button @click="openVideo">开启摄像头</button>
</div>
</template>
<script lang="ts" setup>
import { ref, reactive } from 'vue'
const video = ref<HTMLVideoElement>()
const openVideo = () => {
//调用摄像头以及音频
navigator.mediaDevices.getUserMedia({video:true,audio:true}).then(s=>{
video.value!.srcObject = s
})
}
</script>
<style lang="less" scoped>
</style>tips：如果读不到 mediaDevices 需要增加plist 文件
info.plist 跟 tauri.conf.json 平级即可
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd"> <plist version="1.0"> <dict> <key>NSCameraUsageDescription</key> <string>请允许本程序访问您的摄像头</string> </dict> </plist>
添加人脸识别API
模型下载地址 github.com/justadudewh…
face-api 下载地址
npm i face-api.js
<template>
<div>
<video autoplay controls ref="video" src=""></video>
<canvas width="400" height="400" ref="canvas"></canvas>
<button @click="openVideo">开启摄像头</button>
</div>
</template>
<script lang="ts" setup>
import { ref, onMounted } from 'vue'
import * as faceapi from 'face-api.js';
const video = ref<HTMLVideoElement>()
const canvas = ref<HTMLCanvasElement>()
const models = './models';
(async () => {
await Promise.all([
faceapi.loadAgeGenderModel(models), //加载训练模型
faceapi.loadFaceDetectionModel(models),//加载训练模型
faceapi.loadFaceExpressionModel(models),//加载训练模型
faceapi.loadTinyFaceDetectorModel(models),//加载训练模型
faceapi.loadFaceRecognitionModel(models)//加载训练模型
])
})()
const openVideo = () => {
navigator.mediaDevices.getUserMedia({ video: true, audio: true }).then(async s => {
video.value!.srcObject = s
})
const context = canvas.value?.getContext('2d')
setInterval(async ()=>{
context?.drawImage(video.value as any, 0, 0, 400, 400);
//获取分析人脸的数据
const detections = await faceapi.detectAllFaces(video.value as any, new faceapi.TinyFaceDetectorOptions())
const resizedDetections = faceapi.resizeResults(detections, {width:400,height:400});
//将人脸边框绘制到canvas上
faceapi.draw.drawDetections(canvas.value as any, resizedDetections)
},100)
}
</script>
<style lang="less" scoped>
</style>
总结
到此这篇关于如何基于webRTC实现人脸识别的文章就介绍到这了,更多相关webRTC人脸识别内容请搜索好代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持好代码网！
