2. 程式人生 > 其它 >整合華為機器學習服務（ML Kit）輕鬆打造爆款小遊戲

整合華為機器學習服務（ML Kit）輕鬆打造爆款小遊戲

阿新 • • 發佈：2020-12-12

技術標籤：android

在刷朋友圈時，總會被一些有趣的小遊戲刷屏。這些遊戲操作簡單，老少皆宜並且傳播速度非常快，分分鐘就霸屏朋友圈。你是否也想做出一款爆款有趣的小遊戲呢？華為機器學習服務提供的人臉識檢測、手部關鍵點識別功能可以幫助你實現。

Crazy Rockets——這款遊戲整合人臉識檢測、手部關鍵點識別功能。開發出兩種玩法，一種是通過人臉的上下移動來控制火箭穿梭通過巨石陣。另一種是通過手勢的上下移動來控制。兩種方式都是通過檢測人臉和手部關鍵點來反饋資訊，進而控制火箭移動，趣味十足！

瘋狂購物車小遊戲是通過整合手部關鍵點檢測功能來實現的，通過手勢檢測可以控制購物車左右移動，從而接住掉落下來的各類商品，每隔15秒將提一次速，給玩家帶來不一樣的購物遊戲體驗。

Crazy Rockets開發實戰

（一）人臉

1.配置maven倉庫

  • 在“allprojects > repositories”中配置HMS Core SDK的Maven倉地址。
allprojects {
    repositories {
        google()
        jcenter()
        maven {url 'https://developer.huawei.com/repo/'}
    }
}
  • 在“buildscript > repositories”中配置HMS Core SDK的Maven倉地址。
buildscript {   
    repositories {
 
       
       google()       
       jcenter()       
       maven {url 'https://developer.huawei.com/repo/'}   
    }
}
  • 在“buildscript > dependencies”中增加agcp配置。
dependencies {
        ...       
        classpath 'com.huawei.agconnect:agcp:1.3.1.300'   
     }   
}

2.整合sdk

Implementation  'com.huawei.hms:ml-computer-vision-face:2.0.1.300'

3.建立人臉分析器

MLFaceAnalyzer analyzer = MLAnalyzerFactory.getInstance().getFaceAnalyzer();

4.建立處理類

public class FaceAnalyzerTransactor implements MLAnalyzer.MLTransactor<MLFace> {
    @Override
    public void transactResult(MLAnalyzer.Result<MLFace> results) {
        SparseArray<MLFace> items = results.getAnalyseList();
        // 開發者根據需要處理識別結果，需要注意，這裡只對檢測結果進行處理。
        // 不可呼叫ML Kit提供的其他檢測相關介面。
    }
    @Override
    public void destroy() {
        // 檢測結束回撥方法，用於釋放資源等。
    }
}

5.建立LensEngine，用於捕捉相機動態視訊流並傳入分析器

LensEngine lensEngine = new LensEngine.Creator(getApplicationContext(), analyzer)
    .setLensType(LensEngine.BACK_LENS)
    .applyDisplayDimension(1440, 1080)
    .applyFps(30.0f)
    .enableAutomaticFocus(true)
    .create();

6. 呼叫run方法，啟動相機，讀取視訊流，進行識別

// 請自行實現SurfaceView控制元件的其他邏輯。
SurfaceView mSurfaceView = findViewById(R.id.surface_view);
try {
    lensEngine.run(mSurfaceView.getHolder());
} catch (IOException e) {
    // 異常處理邏輯。
}

7. 釋放檢測資源

if (analyzer != null) {
    try {
        analyzer.stop();
    } catch (IOException e) {
         // 異常處理。
    }
}
if (lensEngine != null) {
    lensEngine.release();
}

（二）手勢識別

1. 配置maven倉庫

在“allprojects > repositories”中配置HMS Core SDK的Maven倉地址。

allprojects {
    repositories {
        google()
        jcenter()
        maven {url 'https://developer.huawei.com/repo/'}
    }
}

在“buildscript > repositories”中配置HMS Core SDK的Maven倉地址。

buildscript {   
    repositories {       
       google()       
       jcenter()       
       maven {url 'https://developer.huawei.com/repo/'}   
    }
}

在“buildscript > dependencies”中增加agcp配置。

dependencies {
        ...       
        classpath 'com.huawei.agconnect:agcp:1.3.1.300'   
     }
 }

2. 整合sdk

// 引入基礎SDK
implementation 'com.huawei.hms:ml-computer-vision-handkeypoint:2.0.4.300'
// 引入手部關鍵點檢測模型包
implementation 'com.huawei.hms:ml-computer-vision-handkeypoint-model:2.0.4.300'

3. 建立預設手勢分析器

MLHandKeypointAnalyzer analyzer =MLHandKeypointAnalyzerFactory.getInstance().getHandKeypointAnalyzer();

4. 建立處理類

public class HandKeypointTransactor implements MLAnalyzer.MLTransactor<List<MLHandKeypoints>> {
@Override
public void transactResult(MLAnalyzer.Result<List<MLHandKeypoints>> results) {
SparseArray<List<MLHandKeypoints>> analyseList = results.getAnalyseList();
// 開發者根據需要處理識別結果，需要注意，這裡只對檢測結果進行處理。
// 不可呼叫ML Kit提供的其他檢測相關介面。
}
@Override
public void destroy() {
// 檢測結束回撥方法，用於釋放資源等。
}
}

5. 設定處理類

analyzer.setTransactor(new HandKeypointTransactor());

6. 建立Lengengine

LensEngine lensEngine = new LensEngine.Creator(getApplicationContext(), analyzer)
.setLensType(LensEngine.BACK_LENS)
.applyDisplayDimension(1280, 720)
.applyFps(20.0f)
.enableAutomaticFocus(true)
.create();

7. 呼叫run方法，啟動相機，讀取視訊流，進行識別

// 請自行實現SurfaceView控制元件的其他邏輯。
SurfaceView mSurfaceView = findViewById(R.id.surface_view);
try {
lensEngine.run(mSurfaceView.getHolder());
} catch (IOException e) {
// 異常處理邏輯。
}

8. 釋放檢測資源

if (analyzer != null) {
analyzer.stop();
}
 
if (lensEngine != null) {
lensEngine.release();
}

(三）瘋狂購物車開發實戰

1. 配置Maven倉地址

buildscript {
    repositories {
        google()
        jcenter()
        maven {url 'https://developer.huawei.com/repo/'}
    }
    dependencies {
        ...
        classpath 'com.huawei.agconnect:agcp:1.4.1.300'
    }
}
 
allprojects {
    repositories {
        google()
        jcenter()
        maven {url 'https://developer.huawei.com/repo/'}
    }
}

2. Full SDK整合

dependencies{
    // 引入基礎SDK
    implementation 'com.huawei.hms:ml-computer-vision-handkeypoint:2.0.4.300'
    // 引入手部關鍵點檢測模型包
    implementation 'com.huawei.hms:ml-computer-vision-handkeypoint-model:2.0.4.300'
}

用上述方式兩種方法之一整合SDK後，在檔案頭新增配置。

在apply plugin: 'com.android.application’後新增apply plugin: ‘com.huawei.agconnect’

3. 建立手部關鍵點分析器

MLHandKeypointAnalyzer analyzer =MLHandKeypointAnalyzerFactory.getInstance().getHandKeypointAnalyzer();

4. 建立識別結果處理類“HandKeypointTransactor”

public class HandKeypointTransactor implements MLAnalyzer.MLTransactor<List<MLHandKeypoints>> {
    @Override
    public void transactResult(MLAnalyzer.Result<List<MLHandKeypoints>> results) {
        SparseArray<List<MLHandKeypoints>> analyseList = results.getAnalyseList();
        // 開發者根據需要處理識別結果，需要注意，這裡只對檢測結果進行處理。
        // 不可呼叫ML Kit提供的其他檢測相關介面。
    }
    @Override
    public void destroy() {
        // 檢測結束回撥方法，用於釋放資源等。
    }
}

5.設定識別結果處理器，實現分析器與結果處理器的繫結

analyzer.setTransactor(new HandKeypointTransactor());

6. 建立LensEngine

LensEngine lensEngine = new LensEngine.Creator(getApplicationContext(), analyzer)
    .setLensType(LensEngine.BACK_LENS)
    .applyDisplayDimension(1280, 720)
    .applyFps(20.0f)
    .enableAutomaticFocus(true)
    .create();

7. 呼叫run方法，啟動相機，讀取視訊流，進行識別

// 請自行實現SurfaceView控制元件的其他邏輯。
SurfaceView mSurfaceView = findViewById(R.id.surface_view);
try {
    lensEngine.run(mSurfaceView.getHolder());
} catch (IOException e) {
    // 異常處理邏輯。
}

8. 檢測完成，停止分析器，釋放檢測資源

if (analyzer != null) {
    analyzer.stop();
}
if (lensEngine != null) {
    lensEngine.release();
}

看完主要開發步驟是不是覺得整合簡單又快速，除了上述兩個小遊戲，人臉識檢測、手部關鍵點識別技術在生活中有很多的應用場景。比如拍攝短視訊的軟體在集成了這種技術後，可以根據手部關鍵點生成一些可愛或者搞笑的特效，增加短視訊的趣味性。或者是在面向智慧家居的場景中，可以自定義一些手勢作為智慧家電的遠距離操控指令，進行一些更加智慧的人機互動方式。快來試試，一起開發好玩又有趣的應用吧！

欲瞭解更多詳情，請參閱：

華為開發者聯盟官網、獲取開發指導文件

參與開發者討論請到Reddit

下載demo和示例程式碼請到Github

解決整合問題請到Stack Overflow

原文連結：
https://developer.huawei.com/consumer/cn/forum/topic/0204406585449080270?fid=18&pid=0304406585449080230

作者：胡椒

相關推薦

整合華為機器學習服務（ML Kit）輕鬆打造爆款小遊戲

技術標籤：android 在刷朋友圈時，總會被一些有趣的小遊戲刷屏。這些遊戲操作簡單，老少皆宜並且傳播速度非常快，分分鐘就霸屏朋友圈。你是否也想做出一款爆款有趣的小遊戲呢？華為機器學習服務提供的人臉識檢測

如何使用華為機器學習服務和Kotlin實現語音合成

1. 引言   你曾遇到過這種情況嗎？一本小說太長，要花很長時間閱讀，但如果有app能自動為你閱讀，就會省時很多。因此，將文字轉換成語音的工具應運而生。華為機器學習服務（HUAWEI ML Kit）具備語音合成（Text To

Crazy Rockets-教你如何整合華為HMS ML Kit人臉檢測和手勢識別打造爆款小遊戲

前言 不知道有多少人和小編一樣時不時就被一些小遊戲刷屏，這些遊戲操作簡單，老少皆宜，傳播速度非常的快，分分鐘霸屏朋友圈。小編也有一個夢想，希望自己有一天也能做出能夠霸屏朋友圈的小遊戲。但是要做出來一個這

快速整合華為AGC-AppLinking服務-Android平臺

最近，我的應用需要使用跨平臺的分享連結，剛好華為AppGallery Connect的AppLinking服務滿足我的使用場景。

華為3D建模服務（3D Modeling Kit），輕鬆構建高質量3D模型

華為3D建模服務（3D Modeling Kit）是華為在圖形影象領域又一技術開放，面向有3D模型、動畫製作等能力訴求的應用開發者，基於AI技術，提供3D物體模型自動生成和PBR材質生成功能，實現3D數字內容高效生產。

華為視訊編輯服務（Video Editor Kit），助力開發者高效構建應用視訊編輯能力

視訊編輯服務（Video Editor Kit）是華為開放給開發者快速構建視訊編輯能力的服務，提供視訊匯入、編輯處理、特效渲染、視訊匯出、媒體資源管理等一站式視訊處理能力。視訊編輯服務為全球開發者提供效能優異、簡單易

【HMS Core 6.0全球上線】華為3D建模服務（3D Modeling Kit），輕鬆構建高質量3D模型

華為3D建模服務（3D Modeling Kit）是華為在圖形影象領域又一技術開放，面向有3D模型、動畫製作等能力訴求的應用開發者，基於AI技術，提供3D物體模型自動生成和PBR材質生成功能，實現3D數字內容高效生產。

華為音訊編輯服務（Audio Editor Kit），快速構建應用音訊編輯能力

音訊編輯服務（Audio Editor Kit）是華為為開發者開放的各類場景音訊處理能力的集合，匯聚了華為在音樂、語音等相關音訊領域的先進技術。音訊編輯服務提供基礎編輯、伴奏提取、空間渲染、變聲降噪等豐富的音訊處理能

iOS平臺 | 快速整合華為AGC認證服務

介紹 如何讓使用者根據已有的賬號來進行登入註冊呢？在應用中整合華為AGC認證服務SDK來輕鬆快速地實現這個功能。

李巨集毅機器學習HM1（梯度下降）

問題引入 作業所給的資料是某地的觀測記錄，每個月取前20天的資料，觀測資料共有18個指標，每小時記錄這18個指標的值，共記錄12個月。

李巨集毅機器學習HM2（邏輯迴歸）

問題引入 很簡單，就是二分類問題。 資料處理 首先讀入資料 1 def read_file(): 2\"\"\"讀入資料\"\"\"

華為手機銷量排行榜（簡版）

直降600元/官網HUAWEI 華為暢享10 plus 手機官方旗艦店正品暢想9天貓購買連結：https://s.click.taobao.com/DBFznuu天貓優惠券連結：https://s.click.taobao.com/Bkfwquu直降500元Huawei/華為 華為 暢享Z 5G 新手機官

機器學習應用（北理工）

一.機器學習準備 1.機器學習分類 監督學習 無監督學習 強化學習（增強學習） 半監督學習

機器學習sklearn（十二）： 特徵工程（三）特徵組合與交叉（一）多項式特徵

在機器學習中，通過增加一些輸入資料的非線性特徵來增加模型的複雜度通常是有效的。一個簡單通用的辦法是使用多項式特徵，這可以獲得特徵的更高維度和互相間關係的項。這在PolynomialFeatures中實現:

機器學習sklearn（十一）： 資料處理（六）非線性轉換

有兩種型別的轉換是可用的:分位數轉換和冪函式轉換。分位數和冪變換都基於特徵的單調變換，從而保持了每個特徵值的秩。

機器學習sklearn（十四）： 特徵工程（五）特徵編碼（二）特徵雜湊(二)

特徵雜湊（相當於一種降維技巧） 類FeatureHasher是一種高速，低記憶體消耗的向量化方法，它使用了特徵雜湊技術 ，或可稱為 “雜湊法” （hashing trick）的技術。 代替在構建訓練中遇到的特徵的雜湊表，如向量化所做

機器學習sklearn（十五）： 特徵工程（六）特徵選擇（一）主成分分析PCA

1. 準確的PCA和概率解釋（Exact PCA and probabilistic interpretation） PCA 用於對具有一組連續正交分量(Orthogonal component譯註: 或譯為正交成分,下出現 成分 和 分量 是同意詞)的多變數資料集進行方差最大化的

機器學習sklearn（十六）： 特徵工程（七）特徵選擇（二）卡方選擇（一）卡方檢驗

卡方檢驗，統計學的方法，現在機器學習看變數的時候也會用到。 很多不知道的人，一聽到這個名詞，會馬上聯想到，

機器學習sklearn（十七）： 特徵工程（八）特徵選擇（三）卡方選擇（二）卡方檢驗

Python有包可以直接實現特徵選擇，也就是看自變數對因變數的相關性。今天我們先開看一下如何用卡方檢驗實現特徵選擇。

機器學習sklearn（十八）： 特徵工程（九）特徵編碼（三）類別特徵編碼（一）標籤編碼 LabelEncoder

LabelEncoder是一個可以用來將標籤規範化的工具類，它可以將標籤的編碼值範圍限定在[0,n_classes-1]. 這在編寫高效的Cython程式時是非常有用的.LabelEncoder可以如下使用: