欢迎一起来探讨关于Android相关的问题和技术
Android人脸识别--基于虹软免费SDK
苹果刚发布最新的iphone X，新增了人脸识别解锁，我也挺好奇，没有尝试过，所以就在闲暇的时候找了些资料，写了一个小项目。当前的人脸识别技术分为WEBAPI和SDK调用两种方式，WEBAPI需要实时联网，SDK调用可以离线使用。
这里我是使用的虹软提供的免费人脸识别的SDK，此SDK也可根据不同应用场景设计，针对性强。包括人脸检测、人脸跟踪、人脸识别，即使在离线环境下也可正常运行。虹软公司是一家具有硅谷背景的图像处理公司，除了人脸技术以外，还有多项图像及视频处理技术。他们的双摄像头处理算法和人脸美化算法囊括了包括OPPO VIVO，SUMAMNG一系列手机厂商。
项目的目标
我们需要实现一个人脸识别功能。简单来说，就是机的后置摄像头，识别摄像头中实时拍到的人脸信息，如果人库注册过，则显示识别后的人脸信息，如登记的名字；如果不在，提示未注册。
这个功能具有多个应用场景，比如，火车站或者打卡和门禁系统中。
人脸识别的过程
人脸识别包括两个必备的过程，人脸注册和实时识别。人脸注册是指把人脸的特征信息注册到人脸信息库中。人脸注册的来源可以有很多种，比如
国家身份证库
企业自建人脸识别库
互联网大数据库
人脸特征提取是一个不可逆的过程，你无法从人脸特征信息还原一个人的脸部照片。
在线库在使用时，需要传递照片信息，或者提取图像特征值，
离线的SDK相对安全，但是，在线的SDK通常提供更多的接入和调用方式，这个要结合实际情况来选择。
人脸注册和识别的过程可以用下面的图来表示。
本人只挑选了业内比较知名的几家人脸识别技术公司，百度，微软，腾讯就不提了，三大巨头，商汤科技，旷视科技，上海依图和云从科技都是近两年异军突起的新兴创业公司，发展迅猛，我挑选了其中竞争力比较强的旷视科技进行评测（本来是想把商汤的技术也找来比较下，结果搜了半天没找到可测试的免费版本，有点儿小遗憾），另外比较特殊的是虹软公司，之前的评测就很想加他们的，可惜那时候他们没开放技术，这一次刚好他们发布了免费的人脸识别SDK，在计算机视觉技术上他们属于高富帅行列。
接口API实现方式，数据处理方式以及调用限制:
除了虹软外，其他4家都是直接提供云平台API接口。云平台API接口调用虽然接入应用相对比较简单，但在使用上会受制于网络稳定性，用户体验会有一定的影响；而且高私密性的人脸照片被传到别人家的公有云服务器，存在泄漏的风险，如果是企业用户，对隐私这种事情，就比较敏感了，我猜想虹软选择开放本地离线SDK引擎，大概也是出于大量客户保护数据安全这方面的要求吧。这样一来就可以不受网络影响，自己掌控人脸照片及相关企业信息，在用户体验和数据安全方面都有很大的保障。只是，如果要使用本地离线SDK引擎接入应用应该会比直接使用云平台API难度大，不过对于久经沙场的程序猿们来说这都不是事儿，如果有Sample
code的话，学习使用起来就更容易了。
人脸检测识别功能:
shibie.png
从功能来看，人脸检测和人脸识别大家都支持，但虹软还支持人脸跟踪，大概是由于虹软提供的是离线SDK，可以实现人脸跟踪功能，因为本地的话，对网络和流量的要求就不会有云平台那么高；当然如果产品自建云或者在客户那自组网的情况下，也是非常好用的，这样场景确实蛮多的。这个离线版本在虹软的官网上也有重点介绍，应该是他的亮点。
人脸识别技术能力
为了真实评测各家公司的人脸识别技术能力，笔者之前就花了比较多的时间对各家的API接口做了集成，拿100张照片（照片进行了挑选，包括了我们关注的常用场景和多个人脸的情况）进行了对比，加上这次虹软的，下面是通过实际测试得出的结果：
nengli.png
注解：识别率=识别正确人脸数量/总人脸数量
误识别率=识别错误人脸数量/总人脸数量
为了公平起见，我是在同等误识率（0%）的情况下获取的识别率。
从测试结果来看，就人脸的识别能力来看，虹软是领先于其他几家公司的，在复杂光线下的处理，百度略胜一筹，猜测或许虹软用的是非大企业商用的版本，或许是不是有所保留。然后是旷视，微软，最后是腾讯，这里还是比较惊讶的，腾讯在这方面的研究应该不亚于百度、微软，结果却如此不尽如人意。
综合看下来，个人着实吃了一惊。没想到这次免费发布的虹软人脸识别SDK居然表现如此上佳。虹软果然有货！SDK在商业模式上，有明显优势，在技术上也比其他家稍强，而且能适应很多的应用场景，比如人脸认证、门禁考勤、智能家居/机器人、安防监控之类。恐怕几家大佬要坐不住了。
在这里咱们试用虹软的免费SDK集成：
在开发之前需要到虹软的官网
SDK下载地址：http://www.arcsoft.com.cn/ai/usercenter/index
下载用到的android库，下载的压缩包中有3个压缩包，如下图：
其中，第一个Face Detection，人脸检测。
人脸检测是人脸技术的基础，使用虹软人脸引擎，能够帮助您检测并且定位到影像（图片或者视频）中的人脸。
第二个Face Recognition，
人脸识别。引擎可独立运行在终端设备或者独立服务器中，应用端可独立完成算法运行，能保证用户数据的私密性，自主运营与保护用户敏感信息。
第三个Face Tracking，
人脸跟踪。精确定位并追踪面部区域位置，随着人物脸部位置的变化能够快速定位人脸位置，并且适用于不同表情、性别、年龄、姿态、光照等条件。
这三包的结构基本相同，我们需要把它们解压。
doc 此目录中存放GUIDE文档，是说明文档，里面介绍了公开发布的一些API，并提供了示例代码。libs 开发中需要用到的库，需要把它们目录结构不变的全部引用到你的项目项目中。sampleCode 示例代码
注意：开发中还需要APP_Id和SDK_Key的激活码，这些激活码可以在账号管理--》您的申请记录，对应的下载应用中找到相应的激活码。
版本与环境要求
根据SDK的说明，我们使用的版本为android arm32，版本为5.0.我们使用的IDE为android studio,你也可以使用eclipse，不过依然建议你使用android studio，因为它现在已经是事实上的标准。
一步一步实现人脸识别功能
本文将以这三个库为基础，从人脸注册开始，到人脸识别结束。全程演示人脸识别的流程。如果你不想从头开始，你可以到 下载完整的示例程序
打开android studio,建立项目，API兼容性选择4.0。
导入依赖包
虹软人脸SDK的包是so包，你可以在下载的压缩包中把这些文件找到并导入。
导入后的工程文件夹如下所示。
定义并实现人脸库的相关功能
如前面所述，我们希望定义自己 的人脸库，人脸库在程序中使用List存储，在系统中保存为txt文件。
通过查询引擎，可以知道人脸信息是保存在AFR_FSDKFace类中的。这的主要结构为
public static final int FEATURE_SIZE = 22020;
byte[] mFeatureD
如果要进行人脸注册，我们需要定义另外一个类来把人脸信息和姓名关联起来。
class FaceRegist {
List&AFR_FSDKFace& mFaceL
public FaceRegist(String name) {
mFaceList = new ArrayList&&();
包含特征信息的长度和内容的byte数组。
我们把这些功能定义在类FaceDB中。FaceDB需要包含引擎定义，初始化，把人脸信息保存在版本库和从版本库中读出人脸信息这些功能
初始化引擎
为了程序结构性考虑，我们将人脸识别相关的代码独立出来一个类FaceDB,并定义必要的变量
public static String appid = "bCx99etK9Ns4Saou1EbFdC18xHdY9817EKw****";
public static String ft_key = "CopwZarSihp1VBu5AyGxfuLQdRMPyoGV2C2opc****";
public static String fd_key = "CopwZarSihp1VBu5AyGxfuLXnpccQbWAjd86S8****";
public static String fr_key = "CopwZarSihp1VBu5AyGxfuLexDsi8yyELdgsj4****";
String mDBP
List&FaceRegist& mR
AFR_FSDKEngine mFRE
AFR_FSDKVersion mFRV
定义有参数的构造函数来初始化引擎
public FaceDB(String path) {
mRegister = new ArrayList&&();
mFRVersion = new AFR_FSDKVersion();
mUpgrade =
mFREngine = new AFR_FSDKEngine();
AFR_FSDKError error = mFREngine.AFR_FSDK_InitialEngine(FaceDB.appid, FaceDB.fr_key);
if (error.getCode() != AFR_FSDKError.MOK) {
Log.e(TAG, "AFR_FSDK_InitialEngine fail! error code :" + error.getCode());
mFREngine.AFR_FSDK_GetVersion(mFRVersion);
Log.d(TAG, "AFR_FSDK_GetVersion=" + mFRVersion.toString());
定义析构函数释放引擎占用的系统资源
public void destroy() {
if (mFREngine != null) {
mFREngine.AFR_FSDK_UninitialEngine();
实现人脸增加和读取功能
通常人脸库会存放在数据库中，本次我们使用List来进行简单的模拟，并将其保存在文本文件中，需要时从文本中读取，保存时写入到文件中。
我们使用addFace方法将待注册的人脸信息添加到人脸库中
void addFace(String name, AFR_FSDKFace face) {
//check if already registered.
boolean add =
for (FaceRegist frface : mRegister) {
if (frface.mName.equals(name)) {
frface.mFaceList.add(face);
if (add) { // not registered.
FaceRegist frface = new FaceRegist(name);
frface.mFaceList.add(face);
mRegister.add(frface);
if (!new File(mDBPath + "/face.txt").exists()) {
if (!saveInfo()) {
Log.e(TAG, "save fail!");
//save name
FileOutputStream fs = new FileOutputStream(mDBPath + "/face.txt", true);
ExtOutputStream bos = new ExtOutputStream(fs);
bos.writeString(name);
bos.close();
fs.close();
//save feature
fs = new FileOutputStream(mDBPath + "/" + name + ".data", true);
bos = new ExtOutputStream(fs);
bos.writeBytes(face.getFeatureData());
bos.close();
fs.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
使用loadFaces从文件中读取人脸
public boolean loadFaces(){
if (loadInfo()) {
for (FaceRegist face : mRegister) {
Log.d(TAG, "load name:" + face.mName + "'s face feature data.");
FileInputStream fs = new FileInputStream(mDBPath + "/" + face.mName + ".data");
ExtInputStream bos = new ExtInputStream(fs);
AFR_FSDKFace afr =
if (afr != null) {
if (mUpgrade) {
//upgrade data.
face.mFaceList.add(afr);
afr = new AFR_FSDKFace();
} while (bos.readBytes(afr.getFeatureData()));
bos.close();
fs.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
if (!saveInfo()) {
Log.e(TAG, "save fail!");
实现业务逻辑
实现人脸注册功能
人脸识别的前提条件就是人脸信息要先注册到人脸库中，注册人脸库
第一步当然是获取待注册的照片，我们可以可以使用摄像头，也可以使用照片。我们使用AlertDialog弹出选择框
new AlertDialog.Builder(this)
.setTitle("请选择注册方式")
.setIcon(android.R.drawable.ic_dialog_info)
.setItems(new String[]{"打开图片", "拍摄照片"}, this)
在对应的事件处理函数中进行处理
switch (which){
case 1://摄像头
Intent getImageByCamera = new Intent("android.media.action.IMAGE_CAPTURE");
ContentValues values = new ContentValues(1);
values.put(MediaStore.Images.Media.MIME_TYPE, "image/jpeg");
mPath = getContentResolver().insert(MediaStore.Images.Media.EXTERNAL_CONTENT_URI, values);
getImageByCamera.putExtra(MediaStore.EXTRA_OUTPUT, mPath);
startActivityForResult(getImageByCamera, REQUEST_CODE_IMAGE_CAMERA);
case 0://图片
Intent getImageByalbum = new Intent(Intent.ACTION_GET_CONTENT);
getImageByalbum.addCategory(Intent.CATEGORY_OPENABLE);
getImageByalbum.setType("image/jpeg");
startActivityForResult(getImageByalbum, REQUEST_CODE_IMAGE_OP);
获取一张照片后，后续我们就需要实现人脸检测功能。
if (requestCode == REQUEST_CODE_IMAGE_OP && resultCode == RESULT_OK) {
mPath = data.getData();
String file = getPath(mPath);
//TODO: add image coversion
在上面的代码中，我们获取到了我们需要的图像数据bmp，把图片取出来
我们在Application类用函数 decodeImage中实现这段代码
public static Bitmap decodeImage(String path) {
ExifInterface exif = new ExifInterface(path);
int orientation = exif.getAttributeInt(ExifInterface.TAG_ORIENTATION, ExifInterface.ORIENTATION_NORMAL);
BitmapFactory.Options op = new BitmapFactory.Options();
op.inSampleSize = 1;
op.inJustDecodeBounds =
//op.inMutable =
res = BitmapFactory.decodeFile(path, op);
//rotate and scale.
Matrix matrix = new Matrix();
if (orientation == ExifInterface.ORIENTATION_ROTATE_90) {
matrix.postRotate(90);
} else if (orientation == ExifInterface.ORIENTATION_ROTATE_180) {
matrix.postRotate(180);
} else if (orientation == ExifInterface.ORIENTATION_ROTATE_270) {
matrix.postRotate(270);
Bitmap temp = Bitmap.createBitmap(res, 0, 0, res.getWidth(), res.getHeight(), matrix, true);
Log.d("com.arcsoft", "check target Image:" + temp.getWidth() + "X" + temp.getHeight());
if (!temp.equals(res)) {
res.recycle();
} catch (Exception e) {
e.printStackTrace();
调用AFD_FSDK_StillImageFaceDetection返回检测到的人脸信息
人脸注册 ，首先要先检测出来人脸，对于静态图片，虹软人脸SDK中对应的是FD，提供了一个方法名称，叫AFD_FSDK_StillImageFaceDetection 。
我们来看一下参数列表
输入的图像数据
List&AFD_FSDKFace&
检测到的人脸会放到到该列表里。
注意AFD_FSDKFace对象引擎内部重复使用,如需保存,请clone一份AFD_FSDKFace对象或另外保存
AFD_FSDKFace是人脸识别的结果，定义如下
public class AFD_FSDKFace {
mRect定义一个了一个矩形框Rect
在此之前我们需要注意虹软人脸SDK使用的图像格式是NV21的格式，所以我们需要将获取到的图像转化为对应的格式。在Android_extend.jar中提供了对应的转换函数
byte[] data = new byte[mBitmap.getWidth() * mBitmap.getHeight() * 3 / 2];
ImageConverter convert = new ImageConverter();
convert.initial(mBitmap.getWidth(), mBitmap.getHeight(), ImageConverter.CP_PAF_NV21);
if (convert.convert(mBitmap, data)) {
Log.d(TAG, "convert ok!");
convert.destroy();
现在我们就可以调用AFD_FSDK_StillImageFaceDetection方法了
= engine.AFD_FSDK_StillImageFaceDetection(data, mBitmap.getWidth(), mBitmap.getHeight(), AFD_FSDKEngine.CP_PAF_NV21, result);
绘出人脸框
在List&AFD_FSDKFace&中保存了检测到的人脸的位置信息和深度信息。
我们可以将检测到的人脸位置信息在图片上用一个矩形框绘制出来表示检测到的人脸信息。
Canvas canvas = mSurfaceHolder.lockCanvas();
if (canvas != null) {
Paint mPaint = new Paint();
boolean fit_horizontal = canvas.getWidth() / (float)src.width() & canvas.getHeight() / (float)src.height() ? true :
float scale = 1.0f;
if (fit_horizontal) {
scale = canvas.getWidth() / (float)src.width();
dst.left = 0;
dst.top = (canvas.getHeight() - (int)(src.height() * scale)) / 2;
dst.right = dst.left + canvas.getWidth();
dst.bottom = dst.top + (int)(src.height() * scale);
scale = canvas.getHeight() / (float)src.height();
dst.left = (canvas.getWidth() - (int)(src.width() * scale)) / 2;
dst.top = 0;
dst.right = dst.left + (int)(src.width() * scale);
dst.bottom = dst.top + canvas.getHeight();
canvas.drawBitmap(mBitmap, src, dst, mPaint);
canvas.save();
canvas.scale((float) dst.width() / (float) src.width(), (float) dst.height() / (float) src.height());
canvas.translate(dst.left / scale, dst.top / scale);
for (AFD_FSDKFace face : result) {
mPaint.setColor(Color.RED);
mPaint.setStrokeWidth(10.0f);
mPaint.setStyle(Paint.Style.STROKE);
canvas.drawRect(face.getRect(), mPaint);
canvas.restore();
mSurfaceHolder.unlockCanvasAndPost(canvas);
将人脸注册到人脸库
检测到了人脸，我们可以输入相应的描述信息，加入到人脸库中。
为了提高识别的准确性，我们可以对一个人多次注册人脸信息。
void addFace(String name, AFR_FSDKFace face) {
//check if already registered.
boolean add =
for (FaceRegist frface : mRegister) {
if (frface.mName.equals(name)) {
frface.mFaceList.add(face);
if (add) { // not registered.
FaceRegist frface = new FaceRegist(name);
frface.mFaceList.add(face);
mRegister.add(frface);
if (!new File(mDBPath + "/face.txt").exists()) {
if (!saveInfo()) {
Log.e(TAG, "save fail!");
//save name
FileOutputStream fs = new FileOutputStream(mDBPath + "/face.txt", true);
ExtOutputStream bos = new ExtOutputStream(fs);
bos.writeString(name);
bos.close();
fs.close();
//save feature
fs = new FileOutputStream(mDBPath + "/" + name + ".data", true);
bos = new ExtOutputStream(fs);
bos.writeBytes(face.getFeatureData());
bos.close();
fs.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
最后，别忘记了销毁人脸检测引擎哦
err = engine.AFD_FSDK_UninitialFaceEngine();
Log.d("com.arcsoft", "AFD_FSDK_UninitialFaceEngine =" + err.getCode());
实现人脸识别
上面的代码准备完毕后，就可以开始我们的人脸识别的功能了。我们使用一个第三方的扩展库，ExtGLSurfaceView的扩展 库CameraGLSurfaceView，用ImageView和TextView显示检测到的人脸和相应的描述信息。
首先是定义layout。
&?xml version="1.0" encoding="utf-8"?&
&RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android"
android:layout_width="match_parent"
android:layout_height="match_parent" &
&com.guo.android_extend.widget.CameraSurfaceView
android:id="@+id/surfaceView"
android:layout_width="1dp"
android:layout_height="1dp"/&
&com.guo.android_extend.widget.CameraGLSurfaceView
android:id="@+id/glsurfaceView"
android:layout_width="match_parent"
android:layout_height="match_parent"
android:layout_centerInParent="true"/&
&ImageView
android:id="@+id/imageView"
android:layout_width="120dp"
android:layout_height="120dp"
android:layout_marginLeft="10dp"
android:layout_marginTop="10dp"/&
android:id="@+id/textView"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:layout_alignLeft="@+id/imageView"
android:layout_alignRight="@+id/imageView"
android:layout_below="@+id/imageView"
android:layout_marginTop="10dp"
android:text="@string/app_name"
android:textAlignment="center"/&
android:id="@+id/textView1"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:layout_alignLeft="@+id/imageView"
android:layout_alignRight="@+id/imageView"
android:layout_below="@+id/textView"
android:layout_marginTop="10dp"
android:text="@string/app_name"
android:textAlignment="center"/&
&/RelativeLayout&
因为引擎需要的图像格式是NV21的，所以需要将摄像头中的图像格式预设置为NV21
public Camera setupCamera() {
// TODO Auto-generated method stub
mCamera = Camera.open(Camera.CameraInfo.CAMERA_FACING_BACK);
Camera.Parameters parameters = mCamera.getParameters();
parameters.setPreviewSize(mWidth, mHeight);
parameters.setPreviewFormat(ImageFormat.NV21);
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);
mCamera.setParameters(parameters);
} catch (Exception e) {
e.printStackTrace();
if (mCamera != null) {
mWidth = mCamera.getParameters().getPreviewSize().
mHeight = mCamera.getParameters().getPreviewSize().
从摄像头识别人脸，需要使用FT库，FT库在人脸跟踪算法上对人脸检测部分进行了优化，是专门为视频处理而优化的库。
初始化人脸检测引擎（FT）
和FD一样，我们需要初始化人脸识别FT引擎。
Log.d(TAG, "AFT_FSDK_InitialFaceEngine =" + err.getCode());
err = engine.AFT_FSDK_GetVersion(version);
Log.d(TAG, "AFT_FSDK_GetVersion:" + version.toString() + "," + err.getCode());
在摄像头的预览事件处理函数中，先调用FT的人脸识函数函数，然后再调用FR中的人脸信息特征提取数函数。
AFT_FSDKError err = engine.AFT_FSDK_FaceFeatureDetect(data, width, height, AFT_FSDKEngine.CP_PAF_NV21, result);
AFR_FSDKError error = engine.AFR_FSDK_ExtractFRFeature(mImageNV21, mWidth, mHeight, AFR_FSDKEngine.CP_PAF_NV21,mAFT_FSDKFace.getRect(), mAFT_FSDKFace.getDegree(), result);
这里面的result中保存了人脸特征信息。我们可以将其保存下来或下来并与系统中的其它信息进行对比。
AFR_FSDKMatching score = new AFR_FSDKMatching();
float max = 0.0f;
String name =
for (FaceDB.FaceRegist fr : mResgist) {
for (AFR_FSDKFace face : fr.mFaceList) {
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.mN
当score的特征信息大于0.6时，我们就可以认为匹配到了人脸。显示人脸匹配信息。
上面的循环中，可以看到，是遍历了真个库进行寻找。我们的目的是为了演示，实际情况下，我们可以在找到一个匹配值比较高的人脸后，就跳出循环。
我们来看一下运行的结果。
附录：会遇到的问题及解决方案
Plugin with id 'com.android.application' not found
解决方案：打开 [项目文件夹]\app\build.gradle 文件
在文件末尾添加
buildscript {
repositories {
mavenCentral()
dependencies {
classpath 'com.android.tools.build:gradle:1.0.0'
Failed to find build tools revision 25.0.0.2
这个主要是build 的版本和gradle中指定的版本不一致，按照提示下载或者修改版本指定就可以了。
compileSdkVersion 24
buildToolsVersion "25.0.2"
install_failed_no_maching_abis
下载的代码在gradle编译完成后，直接默认运行会出现这个错误。原因是由于使用了native libraries 。该native libraries 不支持当前的cpu的体系结构。
首先请检查是否导入了必要的so文件。一共需要导入四个.so文件。
另外，请确认使用是的真机调试。因为调用了摄像头，请使用真机调试。
demo的话后续会上传。
人脸识别是当前的热点技术，使用范围广，用户体验良好，对硬件的依赖低，不需要昂贵的传感器芯片。一个高清的摄像头就可以完成。以前的成本是人脸识别的SDK比较贵，但现在虹软的SDK免费之后，集成的成本就大大降低了。
没有更多推荐了，掌握聚合最新动态了解行业最新趋势
API接口，开发服务，免费咨询服务
&>&媒体报道
虹软发布免费人脸识别SDK，让你的APP拥有iphone X 解锁功能
可自组网、自建云：离线版本更独立安全现实环境中需要本地化处理的人脸识别技术应用场景颇多，如iPhone X的人脸识别，从注册到识别，人脸素材都需要保存在本地，为的是保护用户隐私安全。无论在开放还是封闭环境中，人证比对、门禁、闸机…非常多的场景都需要在离线的条件下运行。将人脸识别技术控制在终端设备里，独自运行，可自主组建网络(局域网/互联网)，自主建立云服务器(自己搭建类似人脸技术云服务)做集群化的人脸识别应用。虹软人脸识别技术是通过SDK的形式提供的，在离线情况下，整个技术实现可以单独在终端设备里运行，无需网络传输与数据交互。 此外，引擎不采集用户人脸图片，可以保障企业数据的安全与独立。全平台交互跨设备协作：性能更优支持离线的同时，多平台交互数据促使终端与服务器协同工作，让人脸识别性能可以更优。服务器一般采用Linux/Windows平台，相对于终端具有更大的容量，更强的计算能力，将大量的数据保存在服务器，这是实现百万级人脸比对应用的必要条件。一般服务器需要为很多个终端服务，传统的方式是将成千上万张图片从终端传输到服务器中，然后服务器再一张张提取人脸特征码，与数据库的数据做比对。这里我们假设提取一张特征脸需要100ms，1万张就需要1000s，也就是16-17分钟虹软发布的人脸识别SDK，整个过程只需要100ms，为什么?因为可以将提取人脸特征移植到终端设备中，1万张图片的特征码通过1万个终端设备提取出来，直接传输给服务器，服务器只需要做比对的工作。而且特征码要远远小于图片的大小，在传输上节省了大量的时间。最重要的： 免费! 免费! 免费!在人工智能领域，没有一家公司像虹软这样让免费如此真实、干净、彻底。毫无疑问，这是一种长期的商业投资。很少有公司有能力并且愿意这样做。完全永久性的免费;没有使用限制、没有使用约束条例。通过全平台(Linux\Windows\Android\iOS)离线SDK的形式提供技术，开发者只要下载人工智能引擎，就可以直接商用，既没有应用场景的限制，也没有数据泄露的担忧，升级也是终身免费。这是人脸识别技术的一次真正彻底的开放。为什么虹软要免费?虹软人工智能技术的免费背后是实力与无奈。为什么虹软有实力?可能很多人不知道虹软，甚至第一次听说虹软;然而在计算机视觉领域里，没有人不认识这个行业内的巨无霸。从早期的诺基亚、摩托罗拉到现在的三星、华为、Oppo、Vivo、小米、美的……没有哪一家知名移动设备或智能设备未嵌入其图像技术。人脸的相关技术，除了在智能设备上有广泛的应用，还更让众多的直播App、美妆App等趋之若鹜，像人脸关键点检测、美颜等相关技术，主流的第一第二梯队直播、视频(如映客、KK等)或美妆类App(如Perfect365，海外拥有上亿用户)以虹软提供的个性化技术服务作为差异化竞争的卖点，甚至成为争夺市场份额、提升用户体验的关键。在行业内，虹软处于绝对的技术领导者地位，Vivo、魅族等品牌商推广新品的时候甚至以虹软技术作为品牌背书。但这家公司也有个令人感到遗憾之处，在行业外，相较于一些善于包装的创业型公司，虹软完全称得上默默无闻。实干不吹嘘、埋头技术创新或许是虹软的标签，也因此埋下了长久的痛，当面向各行业的中小企业、创业团队推广技术的时候，发现业内的盛名并没有优势，而行业外的默默无闻反而成为了技术推广的障碍。免费，为推广的无奈之举，用免费的方式吸引注意，在最短时间内让中小企业得以广泛应用其现有的技术，这或许带有破釜沉舟的性质，但不会影响虹软固有的商业利益，着实是下了一手好棋。免费的人脸识别SDK，为各行业附能免费提供人脸识别SDK引擎，通过技术附能聚集各行业的中小企业，在垂直领域形成牢固的生态矩阵。行业+AI，即已有产业链成熟的行业，通过AI附能，极大提升行业效率，降低成本，比如安防、医疗、金融等行业。目前在不少小区已经使用该人脸识别技术，用于闸机通道，用刷脸取代刷卡进入小区，极大的提升了小区居民的生活便利。各行业的中小企业结合自身的行业资源、人脉、渠道等优势，搭上免费人脸识别SDK的快车，迸发强大的智造力，解决实际的应用问题，将直接创造出大片的蓝海市场。一旦以中小企业为细胞的生态矩阵建立，其生产力、渗透力在技术积累、市场扩张、大数据计算等领域建立的壁垒，这个矩阵的能量将是无可估量的。而消费者市场因人工智能技术的免费出现更多具有创意、独具风格、具有实用价值的产品，人们更多获取到的，是人工智能技术带来的极致体验、便利与价值。原文来自:
合作伙伴／Partner
提供优质服务资源的开发者服务平台
400-882-7715}