[人工智能]五模型--服务器请求

物体检测

包名：com.miex.swust.rectsDetect
类名：MiexSwustRectsDetect

1. 导入模块

• 通过开发软件的import Module导入rectsDetect包
• 添加build.gradle依赖

implementation project(path:":rectsDetect")
implementation 'com.google.android.gms:play-services-tasks:17.2.1'
implementation 'com.google.mlkit:face-detection:16.1.2'

2. 创建一个实例

通过以下方式创建一个实例：
MiexSwustRectsDetect msrd=new MiexSwustRectsDetect(model_name);;
model_name：在使用物体检测时，你可以选择不同效果和性能的模型，当然不同模型的运算结果也是不同的，建议开发时始终保持指定的模型，现在可选的model_name：
"face"：一个检测人脸的检测器
比如创建一个人脸检测：
MiexSwustRectsDetect msrd=new MiexSwustRectsDetect("face");;

3. 获取人脸检测结果

//使用实例进行face检测
Task<List<Face>> result= msrd.mlkitLocation(bitmap).addOnSuccessListener(
                    new OnSuccessListener<List<Face>>() {
                        @Override
                        public void onSuccess(List<Face> faces) {
                            // Task completed successfully
                            for(Face face:faces){
                                Rect bounds = face.getBoundingBox();
                                // bounds：描述了包含人脸的矩形框信息
                            }
                        }
                    })
                    .addOnFailureListener(
                            new OnFailureListener() {
                                @Override
                                public void onFailure(@NonNull Exception e) {
                                    // Task failed with an exception
                                }
                            });

特征提取

包名：com.miex.swust.tensorFeature
类名：MiexSwustTensorFeature

1. 导入模块

• 通过开发软件的import Module导入tensorFeature包
• 添加build.gradle依赖

implementation project(path:":tensorFeature")
implementation 'com.google.android.gms:play-services-tasks:17.2.1'

2. 创建一个实例

通过以下方式创建一个实例：
MiexSwustTensorFeature mstf = new MiexSwustTensorFeature(context, model_name);
model_name：在使用特征提取时，你可以选择不同效果和性能的模型，当然不同模型的运算结果也是不同的，建议开发时始终保持指定的模型，现在可选的model_name：
"he-face-feature-low-128t"：该模型将返回128维数组，在ifw数据集达到98%精度

比如创建一个人脸特征的对象：
MiexSwustTensorFeature mstf = new MiexSwustTensorFeature(MainActivity.this, "he-face-feature-low-128t");

3. 获取人脸特征数据

MiexSwustTensorFeature提供了三种方式获取人脸特征数据：

• 通过return方式

float[] features=mstf.getFeature_rt(bitmap)

• 通过callback方式

            mstf.getFeature_callback(bitmap,new CompletionCallback(){
                @Override
                public void onCompletion(int statusCode,float[] features,String msg){
                    // statusCode:300 failed;200 success
                    // features：face features
                }
            });

• 通过Task异步任务方式

mstf.getFeature_task(bitmap)
        .addOnSuccessListener(new OnSuccessListener<float[]>() {
            @Override
            public void onSuccess(@NonNull @NotNull float[] features) {
                // onSuccess
            }})
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(@NonNull @NotNull Exception e) {
                // onFailure
            }});

上述三种方法都需要传入一个bitmap参数，该bitmap是一个包含人脸的图像数据，因为是获取人脸特征，所以为了精度该bitmap应该仅包括含人脸的区域。

表情识别

包名：com.miex.swust.tensoremotions
类名：MiexSwustTensorEmotions

1. 导入模块

• 通过开发软件的import Module导入tensorEmotions包
• 添加build.gradle依赖

implementation project(path:":tensorEmotions")
implementation 'com.google.android.gms:play-services-tasks:17.2.1'

2. 创建一个实例

通过以下方式创建一个实例：
MiexSwustTensorEmotions mste = new MiexSwustTensorEmotions(context, model_name);
model_name：在使用人脸表情识别时，你可以选择不同效果和性能的模型，当然不同模型的运算结果也是不同的，建议开发时始终保持指定的模型，现在可选的model_name：
"he-face-feature-low-128t"：该模型将返回128维数组，在ifw数据集达到98%精度

比如创建一个人脸特征的对象：
MiexSwustTensorFeature mstf = new MiexSwustTensorFeature(MainActivity.this, "he-face-feature-low-128t");

3. 获取人脸表情识别结果

MiexSwustTensorEmotions：

• 通过return方式

float[] results=mste.getEmotions_rt(bitmap);

• 通过Task异步任务方式

mste.getEmotions_task(bitmap)
        .addOnSuccessListener(new OnSuccessListener<float[]>() {
            @Override
            public void onSuccess(float[] results) {
                // onSuccess
            }})
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(Exception e) {
                // onFailure

            }});

上述两种方法都需要传入一个bitmap参数，该bitmap是一个包含人脸的图像数据，因为是获取人脸特征，所以为了精度该bitmap应该仅包括含人脸的区域。

人脸关键点

包名：com.miex.swust.tensorkeypoints
类名：MiexSwustTensorKeypoints

1. 导入模块

• 通过开发软件的import Module导入tensorKeypoints包
• 添加build.gradle依赖

implementation project(path:":tensorKeypoints")
implementation 'com.google.android.gms:play-services-tasks:17.2.1'

2. 创建一个实例

通过以下方式创建一个实例：
MiexSwustTensorKeypoints mstk = new MiexSwustTensorKeypoints(context, model_name);
model_name：在使用人脸表情识别时，你可以选择不同效果和性能的模型，当然不同模型的运算结果也是不同的，建议开发时始终保持指定的模型，现在可选的model_name：
"he-face-landmark-low-136t"：该模型将返回136个整数，表示共68个关键点

比如创建一个人脸特征的对象：

MiexSwustTensorKeypoints mstk=new MiexSwustTensorKeypoints(MainActivity_landmark.this,"he-face-landmark-low-136t");

3. 获取人脸关键点位置

• 通过return方式

int[] results=mstk.getKeypoints_rt(bitmap);

• 通过Task异步任务方式

mstk.getKeypoints_task(bitmap)
        .addOnSuccessListener(new OnSuccessListener<int[]>() {
            @Override
            public void onSuccess(int[] results) {
                Log.e("","");
                // onSuccess
            }})
        .addOnFailureListener(new OnFailureListener() {
            @Override
            public void onFailure(Exception e) {
                // onFailure

            }});

上述两种方法都需要传入一个bitmap参数，该bitmap是一个包含人脸的图像数据，为了精度该bitmap应该仅包括含人脸的区域。