检测和分析人脸

检测和分析人脸的能力是一项核心 AI 功能。在此练习中，你将探索两个可用于处理图像中的人脸的 Azure AI 服务：Azure AI 视觉服务和人脸服务。

重要说明：无需请求对受限功能进行任何额外访问即可完成此实验室。

注意：从 2022 年 6 月 21 日开始，返回个人身份信息的 Azure AI 服务的功能仅限于被授予有限访问权限的客户。此外，推断情绪状态的功能不再可用。有关 Microsoft 所做的更改的更多详细信息，以及原因 - 请参阅负责任 AI 投资和面部识别防护措施。

克隆本课程的存储库

如果尚未克隆用于本课程的存储库，请克隆它：

启动 Visual Studio Code。
打开面板 (SHIFT+CTRL+P) 并运行“Git：克隆”命令，以将 https://github.com/MicrosoftLearning/mslearn-ai-vision 存储库克隆到本地文件夹（任意文件夹均可）。
克隆存储库后，在 Visual Studio Code 中打开文件夹。
等待其他文件安装完毕，以支持存储库中的 C# 代码项目。

注意：如果系统提示你添加生成和调试所需的资产，请选择以后再说。

预配 Azure AI 服务资源

如果订阅中还没有，则需要预配 Azure AI 服务资源。

打开 Azure 门户 (https://portal.azure.com)，然后使用与你的 Azure 订阅关联的 Microsoft 帐户登录。
在顶部搜索栏中，搜索 Azure AI 服务，选择Azure AI 服务**，并使用以下设置创建 Azure AI 服务多服务帐户资源：
- 订阅：Azure 订阅
- 资源组：选择或创建一个资源组（如果使用受限制的订阅，你可能无权创建新的资源组 - 请使用提供的资源组）
- 区域：选择任何可用区域
- 名称：输入唯一名称
- 定价层：标准版 S0
选中所需的复选框并创建资源。
等待部署完成，然后查看部署详细信息。
部署资源后，转到该资源并查看其密钥和终结点页面。你将在下一个过程中用到此页面中的终结点和其中一个密钥。

准备使用 Azure AI 视觉 SDK

在此练习中，你将完成一个已部分实现的客户端应用程序，该应用程序使用 Azure AI 视觉 SDK 来分析图像中的人脸。

注意：可选择将该 SDK 用于 C# 或 Python。在下面的步骤中，请执行适用于你的语言首选项的操作。

在 Visual Studio Code 的资源管理器窗格中，浏览到 04-face 文件夹，并根据你的语言首选项展开 C-Sharp 文件夹或 Python 文件夹。
右键单击 computer-vision 文件夹，并打开集成终端。然后通过运行适用于你的语言首选项的命令，安装 Azure AI 视觉 SDK 包：

C#
```
 dotnet add package Azure.AI.Vision.ImageAnalysis -v 1.0.0-beta.3
```
Python
```
 pip install azure-ai-vision-imageanalysis==1.0.0b3
```
查看 computer-vision 文件夹的内容，并注意其中包含一个配置设置文件：
- C# ：appsettings.json
- Python：.env
打开配置文件，然后更新其中包含的配置值，以反映 Azure AI 服务资源的终结点和身份验证密钥。保存所做更改。
请注意，computer-vision 文件夹中包含客户端应用程序的代码文件：
- C# ：Program.cs
- Python：detect-people.py

打开代码文件，并在顶部的现有命名空间引用下找到注释导入命名空间。然后在此注释下添加以下特定于语言的代码，以导入使用计算机视觉 SDK 所需的命名空间：

 // Import namespaces
 using Azure.AI.Vision.ImageAnalysis;

Python

 # import namespaces
 from azure.ai.vision.imageanalysis import ImageAnalysisClient
 from azure.ai.vision.imageanalysis.models import VisualFeatures
 from azure.core.credentials import AzureKeyCredential

查看要分析的图像

在此练习中，你将使用 Azure AI 视觉服务来分析人群图像。

在 Visual Studio Code 中，展开 computer-vision 文件夹以及其中包含的 images 文件夹。
选择并查看 people.jpg 图像。

在图像中检测人脸

现在，你可使用 SDK 来调用 Azure AI 视觉服务并检测图像中的人脸。

在客户端应用程序的代码文件（Program.cs 或 detect-people.py）中，可在 Main 函数中看到已提供用于加载配置设置的代码。然后查找注释对 Azure AI 视觉客户端进行身份验证**。然后在此注释下添加以下特定于语言的代码，以创建计算机视觉对象客户端对象并对其进行身份验证：

C#
```
 // Authenticate Azure AI Vision client
 ImageAnalysisClient cvClient = new ImageAnalysisClient(
     new Uri(aiSvcEndpoint),
     new AzureKeyCredential(aiSvcKey));
```
Python
```
 # Authenticate Azure AI Vision client
 cv_client = ImageAnalysisClient(
     endpoint=ai_endpoint,
     credential=AzureKeyCredential(ai_key)
 )
```
在 Main 函数中，可在你刚刚添加的代码下看到，代码指定了图像文件的路径，然后将图像路径传递给名为 AnalyzeImage 的函数。此函数尚未完全实现。

在 AnalyzeImage 函数中的注释获取具有要检索的指定特征的结果（人物） 下，添加以下代码：

 // Get result with specified features to be retrieved (PEOPLE)
 ImageAnalysisResult result = client.Analyze(
     BinaryData.FromStream(stream),
     VisualFeatures.People);

Python

 # Get result with specified features to be retrieved (PEOPLE)
 result = cv_client.analyze(
     image_data=image_data,
     visual_features=[
         VisualFeatures.PEOPLE],
 )

在 AnalyzeImage 函数中的注释在检测到的人物周围绘制边界框下，添加以下代码：

 // Draw bounding box around detected people
 foreach (DetectedPerson person in result.People.Values)
 {
     if (person.Confidence > 0.5) 
     {
         // Draw object bounding box
         var r = person.BoundingBox;
         Rectangle rect = new Rectangle(r.X, r.Y, r.Width, r.Height);
         graphics.DrawRectangle(pen, rect);
     }

     // Return the confidence of the person detected
     //Console.WriteLine($"   Bounding box {person.BoundingBox.ToString()}, Confidence: {person.Confidence:F2}");
 }

Python

 # Draw bounding box around detected people
 for detected_people in result.people.list:
     if(detected_people.confidence > 0.5):
         # Draw object bounding box
         r = detected_people.bounding_box
         bounding_box = ((r.x, r.y), (r.x + r.width, r.y + r.height))
         draw.rectangle(bounding_box, outline=color, width=3)

     # Return the confidence of the person detected
     #print(" {} (confidence: {:.2f}%)".format(detected_people.bounding_box, detected_people.confidence * 100))

保存你的更改并返回到 computer-vision 文件夹的集成终端，然后输入以下命令以运行程序：

C#
```
 dotnet run
```
Python
```
 python detect-people.py
```
查看输出，它应该会指出检测到的人脸数。
查看在代码文件所在的同一文件夹中生成的 people.jpg 文件，以查看带有批注的人脸。本例的代码使用人脸特征来标记框左上角的位置，并使用边界框坐标来绘制框住每张人脸的矩形。

如果希望看到该服务检测到的所有人员的置信度分数，可以在注释 Return the confidence of the person detected 下取消注释代码行并重新运行代码。

准备使用人脸 SDK

虽然 Azure AI 视觉服务提供了基本的人脸检测功能（以及许多其他图像分析功能），但人脸服务提供更全面的面部分析和识别功能。

在 Visual Studio Code 的资源管理器窗格中，浏览到 04-face 文件夹，并根据你的语言首选项展开 C-Sharp 文件夹或 Python 文件夹。
右键单击 face-api 文件夹，并打开集成终端。然后通过运行适用于你的语言首选项的命令，安装人脸 SDK 包：

C#
```
 dotnet add package Azure.AI.Vision.Face -v 1.0.0-beta.2
```
Python
```
 pip install azure-ai-vision-face==1.0.0b2
```
查看 face-api 文件夹的内容，并注意其中包含一个配置设置文件：
- C# ：appsettings.json
- Python：.env
打开配置文件，然后更新其中包含的配置值，以反映 Azure AI 服务资源的终结点和身份验证密钥。保存所做更改。
请注意，face-api 文件夹中包含客户端应用程序的代码文件：
- C# ：Program.cs
- Python：analyze-faces.py

打开代码文件，并在顶部的现有命名空间引用下找到注释导入命名空间。然后在此注释下添加以下特定于语言的代码，以导入使用视觉 SDK 所需的命名空间：

 // Import namespaces
 using Azure;
 using Azure.AI.Vision.Face;

Python

 # Import namespaces
 from azure.ai.vision.face import FaceClient
 from azure.ai.vision.face.models import FaceDetectionModel, FaceRecognitionModel, FaceAttributeTypeDetection03
 from azure.core.credentials import AzureKeyCredential

请注意，Main 函数中已提供用于加载配置设置的代码。然后查找注释对人脸客户端进行身份验证。然后在此注释下添加以下特定于语言的代码，以创建 FaceClient 对象并对其进行身份验证：

 // Authenticate Face client
 faceClient = new FaceClient(
     new Uri(cogSvcEndpoint),
     new AzureKeyCredential(cogSvcKey));

Python

 # Authenticate Face client
 face_client = FaceClient(
     endpoint=cog_endpoint,
     credential=AzureKeyCredential(cog_key)
 )

在 Main 函数中，可在你刚刚添加的代码下看到，代码显示了一个菜单，可通过该菜单调用代码中的函数以探索人脸服务的功能。你将在此练习的剩余部分中实现这些函数。