虹软开放了人脸识别的SDK引擎(免费的哦)，刚好有Android版的，就体验了一波。下面来说说Android版的SDK使用心得：

ArcFace 虹软人脸认知引擎简介

目前开放的版本有人脸比对(1:1)和人脸检索(1：N)，根据应用场景可选择 人脸检索分为小型网络(检测100人内)，中型网络(1000人内)，大型网络(需联系虹软官方) 目前开放的功能有人脸比对，人脸识别，人脸追踪

关于如何使用

在官网下载SDK引擎后集成到你的项目中，然后我在此举例说下其中一个sample:人脸识别 官方sample是这样的:

`AFR_FSDKInterface engine = new AFR_FSDKEngine();

//用来存放提取到的人脸信息, face_1 是注册的人脸，face_2 是要识别的人脸

AFR_FSDKFace face1 = new AFR_FSDKFace();

AFR_FSDKFace face2 = new AFR_FSDKFace();

//初始化人脸识别引擎，使用时请替换申请的 APPID 和 SDKKEY

AFR_FSDKError error = engine.AFR_FSDK_InitialEngine("APPID", "SDKKEY");

Log.d("com.arcsoft", "AFR_FSDK_InitialEngine = " + error.getCode());

//输入的 data 数据为 NV21 格式(如 Camera 里 NV21 格式的 preview 数据)；人脸坐标一般使用人脸检测返回的 Rect 传入；人脸角度请按照人脸检测引擎返回的值传入。

error = engine.AFR_FSDK_ExtractFRFeature(data1, width, height, AFR_FSDKEngine.CP_PAF_NV21, new Rect(210, 178, 478, 446), AFR_FSDKEngine.AFR_FOC_0, face1);

Log.d("com.arcsoft", "Face=" + face1.getFeatureData()[0]+ "," + face1.getFeatureData()[1] + "," + face1.getFeatureData()[2] + "," + error.getCode());

error = engine.AFR_FSDK_ExtractFRFeature(data1, width, height, AFR_FSDKEngine.CP_PAF_NV21, new Rect(210, 170, 470, 440), AFR_FSDKEngine.AFR_FOC_0, face2);

Log.d("com.arcsoft", "Face=" + face2.getFeatureData()[0]+ "," + face2.getFeatureData()[1] + "," + face2.getFeatureData()[2] + "," + error.getCode());

//score 用于存放人脸对比的相似度值

AFR_FSDKMatching score = new AFR_FSDKMatching(); error = engine.AFR_FSDK_FacePairMatching(face1, face2, score); Log.d("com.arcsoft", "AFR_FSDK_FacePairMatching=" + error.getCode()); Log.d("com.arcsoft", "Score:" + score.getScore());

//销毁人脸识别引擎

error = engine.AFR_FSDK_UninitialEngine();

Log.d("com.arcsoft", "AFR_FSDK_UninitialEngine : " + error.getCode());

` 代码中的注释已经解释得很清楚了，这是再说下这个NV21格式的data数据。

使用场景

人脸识别一种场景可以是实时摄像取景，即可以在相机的预览界面里进行。在Android的Camera里有这样一个回调:

mCamera.setPreviewCallback(new Camera.PreviewCallback() { [@Override](https://my.oschina.net/u/1162528) public void onPreviewFrame(byte[] data, Camera camera) { //这里的data数据就是NV21格式，可以在这里处理人脸检测 } }); 注意：Camera里的PictureCallback()，也就是我们拍照的回调，里面也有个data,但是这里的data格式不是NV21的，所以在这里传入的data是不能处理人脸识别的

人脸检测还可以利用已有的图像进行检测，但是注意，Android里对图像处理的接口最常用的是BitMap吧。我们需要把BitMap解码为RGB转为NV21才能检测图像中的人脸。这里提供一种转换工具类，当然大神可以无视这个自己写哈：

`public static byte[] getNV21(int inputWidth, int inputHeight, Bitmap scaled) throws Exception {

int[] argb = new int[inputWidth * inputHeight];

scaled.getPixels(argb, 0, inputWidth, 0, 0, inputWidth, inputHeight);

byte[] yuv = new byte[inputWidth * inputHeight * 3 / 2];

encodeYUV420SP(yuv, argb, inputWidth, inputHeight);

scaled.recycle();

return yuv;

}

public static void encodeYUV420SP(byte[] yuv420sp, int[] argb, int width, int height) throws Exception {

final int frameSize = width * height;

int yIndex = 0;

int uvIndex = frameSize;

int a, R, G, B, Y, U, V;

int index = 0;

for (int j = 0; j < height; j++) {

for (int i = 0; i < width; i++) {

a = (argb[index] & 0xff000000) >> 24; // a is not used obviously

R = (argb[index] & 0xff0000) >> 16;

G = (argb[index] & 0xff00) >> 8;

B = (argb[index] & 0xff) >> 0;

// well known RGB to YUV algorithm

Y = ((66 * R + 129 * G + 25 * B + 128) >> 8) + 16;

U = ((-38 * R - 74 * G + 112 * B + 128) >> 8) + 128;

V = ((112 * R - 94 * G - 18 * B + 128) >> 8) + 128;

// NV21 has a plane of Y and interleaved planes of VU each sampled by a factor of 2

// meaning for every 4 Y pixels there are 1 V and 1 U. Note the sampling is every other

// pixel AND every other scanline.

yuv420sp[yIndex++] = (byte) ((Y < 0) ? 0 : ((Y > 255) ? 255 : Y));

if (j % 2 == 0 && index % 2 == 0) {

yuv420sp[uvIndex++] = (byte) ((V < 0) ? 0 : ((V > 255) ? 255 : V));

yuv420sp[uvIndex++] = (byte) ((U < 0) ? 0 : ((U > 255) ? 255 : U));

}

index++;

}

}

}

` 关于实测效果(用的小型网络版本，仅代表个人意见)

人脸检测速度很快，大概几十毫秒就能检测出人脸信息，20多张人脸的图像只有1-2个检测不到。 人脸识别这个功能，在特征值提取上会慢点，大概需要100毫秒以上，不过因为用的是小型网络(人数100以下达到最佳)，所以这个速度也是完全可以满足应用的。关于人脸注册方式，可以自行建网或建云，当然采用本地化也是可以的，用数据库和文件等多种方式均可注册人脸。 人脸追踪看了下接口跟人脸检测的接口是完全一样的，没有测试不作评价。

总结

虹软免费开放SDK引擎这点很赞 引擎暂不支持人脸信息特征值合成，只能通过注册多张人脸来解决 这个引擎二次开发的可拓展性是很强的，开发者可以根据自己的应用场景去拓展功能，这样可以保证引擎的纯洁度、可拓展性 又GET到很多干货 还没探索到1：N情况下高效识别的方法，目前遍历数据库人脸信息作比对人数多的话识别速度应该会慢很多，请问有高人指导下如何优化不？ 还不行，还得再继续努力