如何快速准确实现刷脸认证的人脸校验过程？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1209个文字，预计阅读时间需要5分钟。
在互联网高速发展的今天，App的验证方式越来越方便用户。从最初的密码输入，到指纹解锁，再到如今的刷脸认证，只需轻轻一刷，即可解锁设备、完成在线/离线支付，轻松跨越禁闭关卡。
互联网飞速发展的今天，各种App的验证方法也越来越方便用户，从一开始的密码输入，到后来的指纹解锁，演变成如今的刷脸认证。刷个脸，就可以解锁设备、在线/线下支付、通过门禁、快速检票等。与此同时也伴随了很多安全问题，首要就是如何判断用户的真实性。
HMS Core机器学习服务（ML Kit）的人脸比对和活体检测能力能够快速捕捉人脸，通过识别并提取模板中的人脸特征，不需要用户配合做动作就可以判断是真实人脸，还是人脸攻击，同时将模板人像和人脸进行高精度比对，输出相似度值，进而判断两者是否为同一个人。
基于此，开发者可以快速构建人脸检测能力，比如在金融类App中，比对用户身份证照片和人脸检测结果，判断用户信息真实性，可提供快速安全的身份核验流程，适用于互联网远程开户、刷脸支付等金融业务。在办公App中，可采取刷脸考勤，识别是否为本人，有效防止代打卡等行为。
从效果展示图来看，活体检测几秒钟就可以完成精准识别手机上的假照片。
开发步骤 开发准备-
在AppGallery Connect中配置相关信息，具体开发准备可以参考文档。
-
配置HMS Core SDK的Maven仓地址。
打开Android Studio项目级“build.gradle”文件。
添加AppGallery Connect插件以及Maven代码库。
在“allprojects”>“repositories”里面配置HMS Core SDK的Maven仓地址。
allprojects {
repositories {
google()
jcenter()
maven {url 'developer.huawei.com/repo/'}
}
}
在“buildscript”>“repositories”里面配置HMS Core SDK的Maven仓地址。
buildscript {
repositories {
google()
jcenter()
maven {url 'developer.huawei.com/repo/'}
}
}
在“buildscript”>“dependencies”里面增加AppGallery Connect插件配置。
buildscript{
dependencies {
classpath 'com.huawei.agconnect:agcp:1.3.1.300'
}
}
人脸比对功能开发
- 创建人脸比对检测器实例。
MLFaceVerificationAnalyzer analyzer = MLFaceVerificationAnalyzerFactory.getInstance().getFaceVerificationAnalyzer();
- 通过android.graphics.Bitmap创建MLFrame对象用于设置模版图片，支持的图片格式包括：JPG、JPEG、PNG、BMP。
// 通过bitmap创建MLFrame
MLFrame templateFrame = MLFrame.fromBitmap(bitmap);
- 设置人脸比对模版图片。如果模板中无人脸，则表示模板设置失败，保持该实例上一次设置的模板不变。
List<MLFaceTemplateResult> results = analyzer.setTemplateFace(templateFrame);
for (int i = 0; i < results.size(); i++) {
// 处理模板图片识别结果
}
- 通过android.graphics.Bitmap创建MLFrame对象用于设置比对图片。支持的图片格式包括：JPG、JPEG、PNG、BMP。
// 通过bitmap创建MLFrame
MLFrame compareFrame = MLFrame.fromBitmap(bitmap);
- 调用同步或异步方法进行人脸比对。检测结果主要包括比对图片中检测到的人脸信息、检测到的人脸信息与模板人脸是同一个人的置信度。详细信息请参见MLFaceVerificationResult。
• 异步方法示例代码：
Task<List<MLFaceVerificationResult>> task = analyzer.asyncAnalyseFrame(compareFrame);
task.addOnSuccessListener(new OnSuccessListener<List<MLFaceVerificationResult>>() {
@Override
public void onSuccess(List<MLFaceVerificationResult> results) {
// 检测成功
}
}).addOnFailureListener(new OnFailureListener() {
@Override
public void onFailure(Exception e) {
// 检测失败
}
});
• 同步方法示例代码：
SparseArray<MLFaceVerificationResult> results = analyzer.analyseFrame(compareFrame);
for (int i = 0; i < results.size(); i++) {
// 检测结果处理
}
- 检测完成，停止分析器，释放检测资源。
if (analyzer != null) {
analyzer.stop();
}
活体检测功能开发
默认扫描界面
- 创建静默活体检测结果回调，用于获取检测结果。
private MLLivenessCapture.Callback callback = new MLLivenessCapture.Callback() {
@Override
public void onSuccess(MLLivenessCaptureResult result) {
//检测成功的处理逻辑，检测结果可能是活体或者非活体。
}
@Override
public void onFailure(int errorCode) {
//检测未完成，如相机异常CAMERA_ERROR,添加失败的处理逻辑。
}
};
- 创建静默活体检测实例，启动检测。
MLLivenessCapture capture = MLLivenessCapture.getInstance();
capture.startDetect(activity, callback);
了解更多详情>>
访问华为开发者联盟官网
获取开发指导文档
华为移动服务开源仓库地址：GitHub、Gitee
本文共计1209个文字，预计阅读时间需要5分钟。
在互联网高速发展的今天，App的验证方式越来越方便用户。从最初的密码输入，到指纹解锁，再到如今的刷脸认证，只需轻轻一刷，即可解锁设备、完成在线/离线支付，轻松跨越禁闭关卡。
互联网飞速发展的今天，各种App的验证方法也越来越方便用户，从一开始的密码输入，到后来的指纹解锁，演变成如今的刷脸认证。刷个脸，就可以解锁设备、在线/线下支付、通过门禁、快速检票等。与此同时也伴随了很多安全问题，首要就是如何判断用户的真实性。
HMS Core机器学习服务（ML Kit）的人脸比对和活体检测能力能够快速捕捉人脸，通过识别并提取模板中的人脸特征，不需要用户配合做动作就可以判断是真实人脸，还是人脸攻击，同时将模板人像和人脸进行高精度比对，输出相似度值，进而判断两者是否为同一个人。
基于此，开发者可以快速构建人脸检测能力，比如在金融类App中，比对用户身份证照片和人脸检测结果，判断用户信息真实性，可提供快速安全的身份核验流程，适用于互联网远程开户、刷脸支付等金融业务。在办公App中，可采取刷脸考勤，识别是否为本人，有效防止代打卡等行为。
从效果展示图来看，活体检测几秒钟就可以完成精准识别手机上的假照片。
开发步骤 开发准备-
在AppGallery Connect中配置相关信息，具体开发准备可以参考文档。
-
配置HMS Core SDK的Maven仓地址。
打开Android Studio项目级“build.gradle”文件。
添加AppGallery Connect插件以及Maven代码库。
在“allprojects”>“repositories”里面配置HMS Core SDK的Maven仓地址。
allprojects {
repositories {
google()
jcenter()
maven {url 'developer.huawei.com/repo/'}
}
}
在“buildscript”>“repositories”里面配置HMS Core SDK的Maven仓地址。
buildscript {
repositories {
google()
jcenter()
maven {url 'developer.huawei.com/repo/'}
}
}
在“buildscript”>“dependencies”里面增加AppGallery Connect插件配置。
buildscript{
dependencies {
classpath 'com.huawei.agconnect:agcp:1.3.1.300'
}
}
人脸比对功能开发
- 创建人脸比对检测器实例。
MLFaceVerificationAnalyzer analyzer = MLFaceVerificationAnalyzerFactory.getInstance().getFaceVerificationAnalyzer();
- 通过android.graphics.Bitmap创建MLFrame对象用于设置模版图片，支持的图片格式包括：JPG、JPEG、PNG、BMP。
// 通过bitmap创建MLFrame
MLFrame templateFrame = MLFrame.fromBitmap(bitmap);
- 设置人脸比对模版图片。如果模板中无人脸，则表示模板设置失败，保持该实例上一次设置的模板不变。
List<MLFaceTemplateResult> results = analyzer.setTemplateFace(templateFrame);
for (int i = 0; i < results.size(); i++) {
// 处理模板图片识别结果
}
- 通过android.graphics.Bitmap创建MLFrame对象用于设置比对图片。支持的图片格式包括：JPG、JPEG、PNG、BMP。
// 通过bitmap创建MLFrame
MLFrame compareFrame = MLFrame.fromBitmap(bitmap);
- 调用同步或异步方法进行人脸比对。检测结果主要包括比对图片中检测到的人脸信息、检测到的人脸信息与模板人脸是同一个人的置信度。详细信息请参见MLFaceVerificationResult。
• 异步方法示例代码：
Task<List<MLFaceVerificationResult>> task = analyzer.asyncAnalyseFrame(compareFrame);
task.addOnSuccessListener(new OnSuccessListener<List<MLFaceVerificationResult>>() {
@Override
public void onSuccess(List<MLFaceVerificationResult> results) {
// 检测成功
}
}).addOnFailureListener(new OnFailureListener() {
@Override
public void onFailure(Exception e) {
// 检测失败
}
});
• 同步方法示例代码：
SparseArray<MLFaceVerificationResult> results = analyzer.analyseFrame(compareFrame);
for (int i = 0; i < results.size(); i++) {
// 检测结果处理
}
- 检测完成，停止分析器，释放检测资源。
if (analyzer != null) {
analyzer.stop();
}
活体检测功能开发
默认扫描界面
- 创建静默活体检测结果回调，用于获取检测结果。
private MLLivenessCapture.Callback callback = new MLLivenessCapture.Callback() {
@Override
public void onSuccess(MLLivenessCaptureResult result) {
//检测成功的处理逻辑，检测结果可能是活体或者非活体。
}
@Override
public void onFailure(int errorCode) {
//检测未完成，如相机异常CAMERA_ERROR,添加失败的处理逻辑。
}
};
- 创建静默活体检测实例，启动检测。
MLLivenessCapture capture = MLLivenessCapture.getInstance();
capture.startDetect(activity, callback);
了解更多详情>>
访问华为开发者联盟官网
获取开发指导文档
华为移动服务开源仓库地址：GitHub、Gitee