Android人脸识别之识别人脸特征
Android人脸识别之识别人脸特征
用户1269200
发布于 2018-06-22 06:34:29
发布于 2018-06-22 06:34:29
代码可运行
运行总次数：0
代码可运行
关联问题
换一批
我最近创建了一个知识星球，13天已经有近160个朋友加入。其中嘉宾有《Android群英传》系列作者徐宜生、今日头条高级工程师月亮和六便士、阿里巴巴无线技术专家辰星。加入星球可以7折购买签名版《Android进阶之光》续作。更多福利请扫描下方二维码了解。
作者：junerver 链接：https://www.jianshu.com/p/b41f64389c21
在Android 人脸识别之人脸注册这篇文章中我大致的介绍了官方 Demo 中人脸注册的流程，本文我们接着来看看，在完成了人脸注册之后我们该如何识别出用户的人脸特征，从而通过人脸识别获取用户信息。
人脸识别的全部流程集成在官方 Demo 的 DetecterActivity 文件中。
还是来了解几个概念
人脸追踪 FT 年龄检测 Age 性别检测 Gender 其中人脸追踪 FT 与人脸检测 FD 功能基本一致（甚至代码基本都是相同的），Age 引擎用于识别年龄，Gender 引擎用于识别性别。
识别流程
整体上比人脸注册还要简单，官方提供了很好的封装供我们使用，我们来看看流程。
第一步： 创建两个叠加在一起的 SurfaceView，一个用于显示摄像头的预览信息，一个用于框出摄像头预览中人脸的位置；
//覆盖在相机预览之上的一层surfaceview
mGLSurfaceView = (CameraGLSurfaceView) findViewById(R.id.glsurfaceView);
mGLSurfaceView.setOnTouchListener(this);
//摄像头的surfaceview
mSurfaceView = (CameraSurfaceView) findViewById(R.id.surfaceView);
mSurfaceView.setOnCameraListener(this);
mSurfaceView.setupGLSurafceView(mGLSurfaceView, true, mCameraMirror, mCameraRotate);
mSurfaceView.debug_print_fps(true, false);这里面出现了两个监听器，分别是View.OnTouchListener 、CameraSurfaceView.OnCameraListener，第一个监听器用于设置触摸对焦，第二个监听器就是我们实现人脸识别的最基础一步：设置、获取摄像头的数据；
该接口共有6个方法：
public interface OnCameraListener {
/**
* setup camera. 设置相机参数
* @return the camera
*/
public Camera setupCamera();
/**
* reset on surfaceChanged. 在Surfacechanged之后重置
* @param format image format.
* @param width width
* @param height height.
*/
public void setupChanged(int format, int width, int height);
/**
* start preview immediately, after surfaceCreated
在surfaceCreated之后是否立即开始预览
* @return true or false.
*/
public boolean startPreviewImmediately();
/**
* on ui thread. 在预览时刚方法会被调用，该方法的返回值是后两个方法的传入值
* @param data image data
* @param width width
* @param height height
* @param format format
* @param timestamp time stamp
* @return image params.
*/
public Object onPreview(byte[] data, int width, int height,
int format, long timestamp);
public void onBeforeRender(CameraFrameData data);
public void onAfterRender(CameraFrameData data);
}初始化相机
@Override
public Camera setupCamera() {
// TODO Auto-generated method stub
//初始化相机?
mCamera = Camera.open(mCameraID);
try {
Camera.Parameters parameters = mCamera.getParameters();
parameters.setPreviewSize(mWidth, mHeight);
parameters.setPreviewFormat(mFormat);
for( Camera.Size size : parameters.getSupportedPreviewSizes()) {
Log.d(TAG, "SIZE:" + size.width + "x" + size.height);
}
for( Integer format : parameters.getSupportedPreviewFormats()) {
Log.d(TAG, "FORMAT:" + format);
}
List<int[]> fps = parameters.getSupportedPreviewFpsRange();
for(int[] count : fps) {
Log.d(TAG, "T:");
for (int data : count) {
Log.d(TAG, "V=" + data);
}
}
//parameters.setPreviewFpsRange(15000, 30000);
//parameters.setExposureCompensation(parameters.getMaxExposureCompensation());
//parameters.setWhiteBalance(Camera.Parameters.WHITE_BALANCE_AUTO);
//parameters.setAntibanding(Camera.Parameters.ANTIBANDING_AUTO);
//parmeters.setFocusMode(Camera.Parameters.FOCUS_MODE_AUTO);
//parameters.setSceneMode(Camera.Parameters.SCENE_MODE_AUTO);
//parameters.setColorEffect(Camera.Parameters.EFFECT_NONE);
mCamera.setParameters(parameters);
} catch (Exception e) {
e.printStackTrace();
}
if (mCamera != null) {
mWidth = mCamera.getParameters().getPreviewSize().width;
mHeight = mCamera.getParameters().getPreviewSize().height;
}
return mCamera;
}摄像头开始预览时：
@Override
public Object onPreview(byte[] data, int width, int height, int format, long timestamp) {
//获取摄像头的帧数据，该数据为NV21格式 byte数组
//调用FT人脸追踪引擎的人脸特征查明方法，结果保存到List<AFT_FSDKFace> result
AFT_FSDKError err = engine.AFT_FSDK_FaceFeatureDetect(data, width, height,
AFT_FSDKEngine.CP_PAF_NV21, result);
Log.d(TAG, "AFT_FSDK_FaceFeatureDetect =" + err.getCode());
Log.d(TAG, "Face=" + result.size());
for (AFT_FSDKFace face : result) {
Log.d(TAG, "Face:" + face.toString());
}
if (mImageNV21 == null) {
if (!result.isEmpty()) {
//追踪到人脸数据，取出当前追踪的人脸，取出当前帧的NV21数据（用于人脸识别）
mAFT_FSDKFace = result.get(0).clone();
mImageNV21 = data.clone();
} else {
if (!isPostted) {
//隐藏人脸信息的提示
mHandler.removeCallbacks(hide);
mHandler.postDelayed(hide, 2000);
isPostted = true;
}
}
}
//copy rects 取出人脸追踪的Rect
Rect[] rects = new Rect[result.size()];
for (int i = 0; i < result.size(); i++) {
rects[i] = new Rect(result.get(i).getRect());
}
//clear result.清空原来的人脸追踪结果List
result.clear();
//return the rects for render.
return rects;
}渲染之后调用：
@Override
public void onAfterRender(CameraFrameData data) {
//在该surfaceview上画方块，这里的data就是上一个方法中的返回值 return rects;
mGLSurfaceView.getGLES2Render().draw_rect((Rect[])data.getParams(),
Color.GREEN, 2);
}第二步： 使用 FR 人脸识别引擎识别人脸信息，如果你已经浏览了上一步的代码，你会发现这一行关键代码：
if (!result.isEmpty()) {
//追踪到人脸数据，取出当前追踪的人脸，取出当前帧的NV21数据（用于人脸识别）
mAFT_FSDKFace = result.get(0).clone();
mImageNV21 = data.clone();
} 当 FT 人脸追踪引擎识别出人脸信息时，我们将当前帧的人脸信息集合放在 mAFT_FSDKFace 当前帧的 NV21 格式 byte 数组放在 mImageNV21 中，有了长两个关键数据，联系我们的上一篇文章你大概知道我们可以用他们来做什么了吧？ 上次我们已经介绍过 AFR_FSDK_ExtractFRFeature 特征提取接口，我们就不再赘述了。
流程是这样的 提取图片中的人脸 → 与我们已经注册过得特征集合进行特征匹配 → 匹配程度最高的作为最终识别结果
这一过程是放在一个子线程中运行的，代码如下：
//人脸识别线程
class FRAbsLoop extends AbsLoop {
AFR_FSDKVersion version = new AFR_FSDKVersion();
AFR_FSDKEngine engine = new AFR_FSDKEngine(); //人脸识别引擎
AFR_FSDKFace result = new AFR_FSDKFace(); //人脸特征
//全部已经保存的人脸特征集合
List<FaceDB.FaceRegist> mResgist = ((Application)DetecterActivity.this.getApplicationContext()).mFaceDB.mRegister;
List<ASAE_FSDKFace> face1 = new ArrayList<>();//年龄识别结果
List<ASGE_FSDKFace> face2 = new ArrayList<>();//性别识别结果
@Override
public void setup() {
AFR_FSDKError error = engine.AFR_FSDK_InitialEngine(FaceDB.appid, FaceDB.fr_key); //初始化人脸识别引擎
Log.d(TAG, "AFR_FSDK_InitialEngine = " + error.getCode());
error = engine.AFR_FSDK_GetVersion(version);
Log.d(TAG, "FR=" + version.toString() + "," + error.getCode()); //(210, 178 - 478, 446), degree = 1 780, 2208 - 1942, 3370
}
@Override
public void loop() {
//当人脸追踪FT引擎获取到人脸后，该数据不为null
if (mImageNV21 != null) {
final int rotate = mCameraRotate;
long time = System.currentTimeMillis();
//FR引擎人脸特征提取
AFR_FSDKError error = engine.AFR_FSDK_ExtractFRFeature(mImageNV21, mWidth, mHeight, AFR_FSDKEngine.CP_PAF_NV21, mAFT_FSDKFace.getRect(), mAFT_FSDKFace.getDegree(), result);
Log.d(TAG, "AFR_FSDK_ExtractFRFeature cost :" + (System.currentTimeMillis() - time) + "ms");
Log.d(TAG, "Face=" + result.getFeatureData()[0] + "," + result.getFeatureData()[1] + "," + result.getFeatureData()[2] + "," + error.getCode());
//特征匹配结果实例
AFR_FSDKMatching score = new AFR_FSDKMatching();
float max = 0.0f;
String name = null;
for (FaceDB.FaceRegist fr : mResgist) {
for (AFR_FSDKFace face : fr.mFaceList) {
//FT人脸追踪提取出的特征、for循环取出的系统中保存的特征、特征匹配结果
error = engine.AFR_FSDK_FacePairMatching(result, face, score);
Log.d(TAG, "Score:" + score.getScore() + ", AFR_FSDK_FacePairMatching=" + error.getCode());
if (max < score.getScore()) {
max = score.getScore();
name = fr.mName;
} //从整个集合中取出最大匹配结果与姓名
}
}
//age & gender
face1.clear();
face2.clear();
face1.add(new ASAE_FSDKFace(mAFT_FSDKFace.getRect(), mAFT_FSDKFace.getDegree()));
face2.add(new ASGE_FSDKFace(mAFT_FSDKFace.getRect(), mAFT_FSDKFace.getDegree()));
ASAE_FSDKError error1 = mAgeEngine.ASAE_FSDK_AgeEstimation_Image(mImageNV21, mWidth, mHeight, AFT_FSDKEngine.CP_PAF_NV21, face1, ages);
ASGE_FSDKError error2 = mGenderEngine.ASGE_FSDK_GenderEstimation_Image(mImageNV21, mWidth, mHeight, AFT_FSDKEngine.CP_PAF_NV21, face2, genders);
Log.d(TAG, "ASAE_FSDK_AgeEstimation_Image:" + error1.getCode() + ",ASGE_FSDK_GenderEstimation_Image:" + error2.getCode());
Log.d(TAG, "age:" + ages.get(0).getAge() + ",gender:" + genders.get(0).getGender());
final String age = ages.get(0).getAge() == 0 ? "年龄未知" : ages.get(0).getAge() + "岁";
final String gender = genders.get(0).getGender() == -1 ? "性别未知" : (genders.get(0).getGender() == 0 ? "男" : "女");
//crop 截取该人脸信息
byte[] data = mImageNV21;
YuvImage yuv = new YuvImage(data, ImageFormat.NV21, mWidth, mHeight, null);
ExtByteArrayOutputStream ops = new ExtByteArrayOutputStream();
//传入要截取的Rect范围
yuv.compressToJpeg(mAFT_FSDKFace.getRect(), 80, ops);
final Bitmap bmp = BitmapFactory.decodeByteArray(ops.getByteArray(), 0, ops.getByteArray().length);
try {
ops.close();
} catch (IOException e) {
e.printStackTrace();
}
if (max > 0.6f) {
//fr success.置信度大于0.6
final float max_score = max;
Log.d(TAG, "fit Score:" + max + ", NAME:" + name);
final String mNameShow = name;
mHandler.removeCallbacks(hide);
mHandler.post(new Runnable() {
@Override
public void run() {
mTextView.setAlpha(1.0f);
mTextView.setText(mNameShow);
mTextView.setTextColor(Color.RED);
mTextView1.setVisibility(View.VISIBLE);
mTextView1.setText("置信度：" + (float)((int)(max_score * 1000)) / 1000.0);
mTextView1.setTextColor(Color.RED);
mImageView.setRotation(rotate);
if (mCameraMirror) {
mImageView.setScaleY(-1);
}
mImageView.setImageAlpha(255);
mImageView.setImageBitmap(bmp);
}
});
} else {
final String mNameShow = "未识别";
DetecterActivity.this.runOnUiThread(new Runnable() {
@Override
public void run() {
mTextView.setAlpha(1.0f);
mTextView1.setVisibility(View.VISIBLE);
mTextView1.setText( gender + "," + age);
mTextView1.setTextColor(Color.RED);
mTextView.setText(mNameShow);
mTextView.setTextColor(Color.RED);
mImageView.setImageAlpha(255);
mImageView.setRotation(rotate);
if (mCameraMirror) {
mImageView.setScaleY(-1);
}
mImageView.setImageBitmap(bmp);
}
});
}
mImageNV21 = null;
}
}
@Override
public void over() {
AFR_FSDKError error = engine.AFR_FSDK_UninitialEngine();
Log.d(TAG, "AFR_FSDK_UninitialEngine : " + error.getCode());
}
}这段代码还是很简单的，关键部分我都已经加了注释，相比大家看了也都能理解。
这里在废话几句：FD与FT引擎功能大致相同，完成的都是从一个 NV21 格式的图片 byte 数组中检测识别出人脸的位置 Rect 与角度信息。在获得这个信息后，我们调用FR人脸识别引擎识别出特征值信息，然后使用AFR_FSDK_FacePairMatching特征值匹配方法，一一的与我们程序中原来存储的人脸特征进行匹配，取出其中匹配值最高的那组特征值，获取该特征值的注册名。
到这里整个人脸识别的流程我们就都已经清晰的掌握了，如果没有看明白，就下载我加过注释的源码，再仔细看看代码是如何实现的。
本文有可能是这次文章的最后一篇了，但我标题上写的是中，下一片文章可能会介绍下我在实际使用虹软人脸识别 SDK 中遇到的问题以及解决方法（目前还没投入到项目中使用）。如果没有遇到问题的话，本文就此全文终。
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2018-06-07，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
暂无评论
推荐阅读
推荐阅读
相关推荐
【优选算法篇】编织算法的流动诗篇：滑动窗口的轻盈之美
更多 >
腾讯云开发者
