语音识别，语义理解一站式解决之智能照相机(人脸识别,olami)
转载请注明CSDN博文地址：
olami sdk实现了把录音或者文字转化为用户可以理解的json 字符串 从而实现语义理解，用户可以定义自己的语义，通过这种方式可以实现用户需要的语义理解。前面写了两篇语音识别，语义理解的博文，分别是语音在线听书和语音记帐软件，本篇是语音智能照相机。
1.智能照相机的功能
手机后摄像头像素比较高，如果用后设想头对准自己自拍，那么看不到屏幕的情况下怎么知道自己在不在镜头中呢？而本篇做的智能照相机就可以为您解决这个问题。想要做的是这样一个照相机app，可以语音切换摄像头，人脸识别并语音播报识别的人脸是否在屏幕中央，是偏向哪里，当人脸居中的时候，提示用户可以拍照了，用户说“拍照”，“茄子”就会自动抓拍并保存图片在手机中。
抓了两张应用运行时的图片：
2.eclipse中的lib目录结构如下
assets下面的事 tts 播报的资源文件
libs目录下，
libtts.so tts播报所需的 库文件
libspeex.so语音识别所需的库文件
libolamsc.so语音识别所需的库文件
tts.jar tts播报所需的库文件
voicesdk_android.jar语音识别所需的库文件
3.AndroidManifest.xml
package=”com.olami”
android:versionCode=”1″
android:versionName=”1.0″ >
android:minSdkVersion=”8″
android:targetSdkVersion=”14″ />
android:allowBackup=”true”
android:icon=”@drawable/ic_launcher”
android:label=”@string/app_name”
android:theme=”@style/AppTheme” >
android:name=”.MainActivity”
android:label=”@string/app_name” >
需要录音，网络，读写sd卡，拍照等权限。
4.layout布局
xmlns:tools=””
android:layout_width=”match_parent”
android:layout_height=”match_parent”>
android:layout_width=”match_parent”
android:layout_height=”match_parent”>
android:layout_width=”match_parent”
android:layout_height=”wrap_content”/>
android:id=”@+id/faceView”
android:layout_width=”match_parent”
android:layout_height=”match_parent”/>
android:id=”@+id/btn_start”
android:layout_width=”wrap_content”
android:layout_height=”wrap_content”
android:layout_alignParentBottom=”true”
android:layout_centerHorizontal=”true”
android:text=”开始” />
在surfaceview中自定义了一个FaceView，faceview用来显示抓拍的人脸。
屏幕最下方有个button，因为这个版本暂时不支持语音唤醒功能（后续添加后再更新），添加一个button用于用户想随时说拍照的时候点击触发用。
5.MainActivity. Java 和FaceView.java- 1.MainActivity.Java
@ Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.layout_camera);
initHandler;//用于处理录音状态回调的消息
initView; //初始化界面
initViaVoiceRecognizerListener; //初始化olami语音回调监听
init; //初始化olami语音识别sdk
initTts; //初始化tts语音播报
DisplayMetrics dm = new DisplayMetrics;//定义DisplayMetrics对象
getWindowManager.getDefaultDisplay.getMetrics(dm);//取得窗口属性
mScreenCenterx = dm.widthPixels/2;//窗口的宽度
mScreenCentery = dm.heightPixels/2; //窗口的高度
}
以下是olamisdk的初始化
public void init
{
mOlamiVoiceRecognizer = new OlamiVoiceRecognizer(MainActivity.this);
TelephonyManager telephonyManager=
(TelephonyManager) this.getSystemService(
this.getBaseContext.TELEPHONY_SERVICE);
String imei=telephonyManager.getDeviceId;
mOlamiVoiceRecognizer.init(imei);//设置身份标识，可以填null
//设置识别结果回调listener
mOlamiVoiceRecognizer.setListener(mOlamiVoiceRecognizerListener);
//设置支持的语音类型，优先选择中文简体
mOlamiVoiceRecognizer.setLocalization(
OlamiVoiceRecognizer.LANGUAGE_SIMPLIFIED_CHINESE);
mOlamiVoiceRecognizer.setAuthorization(
“51a4bb56ba954655a4fc834bfdc46af1”,
“asr”,
“68bff251789b426896e70e888f919a6d”,
“nli”);
//注册Appkey，在olami官网注册应用后生成的appkey
//注册api，请直接填写“asr”，标识语音识别类型
//注册secret，在olami官网注册应用后生成的secret
//注册seq，请填写“nli”
//录音时尾音结束时间，建议填//2000ms
mOlamiVoiceRecognizer.setVADTailTimeout(2000);
//设置经纬度信息，不愿上传位置信息，可以填0
mOlamiVoiceRecognizer.setLatitudeAndLongitude(
31.155364678184498,121.34882432933009);
}
定义OlamiVoiceRecognizerListener，此处代码就不贴了。
onError(int errCode)//出错回调，可以对比官方文档错误码看是什么错误
onEndOfSpeech//录音结束
onBeginningOfSpeech//录音开始
onResult(String result, int type)//result是识别结果JSON字符串
onCancel//取消识别，不会再返回识别结果
onUpdateVolume(int volume)//录音时的音量，1-12个级别大小音量
以下是handler消息处理，包含语义解析
private void initHandler
{
mHandler = new Handler{
@Override
public void handleMessage(Message msg )
{
switch (msg.what){
case MessageConst.CLIENT_ACTION_START_RECORED:
mBtnStart.setText(“录音中”);
break ;
case MessageConst.CLIENT_ACTION_STOP_RECORED:
mBtnStart.setText(“识别中”);
break;
case MessageConst.CLIENT_ACTION_CANCEL_RECORED:
mBtnStart.setText(“开始”);
break;
case MessageConst.CLIENT_ACTION_ON_ERROR:
mBtnStart.setText(“开始”);
break;
case MessageConst.CLIENT_ACTION_UPDATA_VOLUME:
//mTextViewVolume.setText(“音量: “+msg.arg1);
break;
case MessageConst.SERVER_ACTION_RETURN_RESULT:
mBtnStart.setText(“开始”);
try{
String message = (String) msg.obj;
String input = null;
JSONObject jsonObject = new JSONObject(message);
JSONArray jArrayNli =
jsonObject.optJSONObject(“data”).optJSONArray(“nli”);
JSONObject jObj = jArrayNli.optJSONObject(0);
JSONArray jArraySemantic = null;
if(message.contains(“semantic”))
{
jArraySemantic = jObj.getJSONArray(“semantic”);
String modifier =
jArraySemantic.optJSONObject(0).optJSONArray(
“modifier”).optString(0);
if(“take_photo”.equals(modifier))
capture;
else if(“switch_camera”.equals(modifier))
switchCamera;
}
else{
Log.i(“ppp”,”result error”);
}
}
catch(Exception e)
{
e.printStackTrace;
}
break;
case MessageConst.CLIENT_ACTION_UPDATA_FACEDECTION_DATA:
if(mIsRecording)
break;
rect F rect = (RectF) msg.obj;
mLeft = rect.left;
m right = rect.right;
mTop = rect.top;
mBottom = rect.bottom;
float centerx = mLeft +(mRight – mLeft)/2;
float centery = mTop + (mBottom-mTop)/2;
String promptString = “”;
if(centerx100)
promptString = “位置偏左,”;
else if((centerx > mScreenCenterx)&&
(Math.abs(centerx -mScreenCenterx)>100))
promptString = “位置偏右,”;
if((centery
Math.abs(mScreenCentery-centery) >200))
{
if(“”.equals(promptString))
promptString = “位置偏上”;
else
promptString += “并且偏上”;
}
else if((centery > mScreenCentery)&&
(Math.abs(centery -mScreenCenterx)>200))
{
if(“”.equals(promptString))
promptString = “位置偏下”;
else
promptString += “并且偏下”;
}
if(“”.equals(promptString))
{
promptString = “位置已经居中,可以拍照了”;
mIsCenter = true;
}
else
{
mIsCenter = false;
}
ITtsListener ttsListener = new ITtsListener
{
@Override
public void onPlayEnd {
if(mIsCenter)
{
if(mOlamiVoiceRecognizer != null)
mOlamiVoiceRecognizer.start;
}
}
@Override
public void onPlayFlagEnd(String arg0) {
}
@Override
public void onTTSPower(long arg0) {
}
};
TtsPlayer.playText(MainActivity.this,
promptString, ttsListener,Tts.TTS_SYSTEM_PRIORITY);
break;
}
}
};
}
在MessageConst.SERVER_ACTION_RETURN_RESULT消息中，通过解析服务器返回的json字符串，可以找到modifier这个字段的值，如果是take_photo表示拍照，如果是switch_camera表示切换摄像头。
当用户说拍照或者茄子的时候，服务器返回如下json字符串：
[
{
“desc_obj”: {
“status”: 0
},
“semantic”: [
{
“app”: “camera”,
“input”: “拍照”,
“slots”: [
],
“modifier”: [
“take_photo”
],
“customer”: “58df512384ae11f0bb7b487e”
}
],
“type”: “camera”
}
]
这个拍照，茄子等语法都是自己定义的，详细请看：
olami开放平台语法编写简介：
olami开放平台语法官方介绍：
2.人脸识别FaceView.java
public class FaceView extends View {
private Camera.Face mFaces;
private Paint mPaint;
private Matrix matrix = new Matrix;
private RectF mRectF = new RectF;
private Handler mHandler;
private long mCurrentTime;
public void setFaces(Camera.Face[] faces) {
mFaces = faces;
invalidate;
}
public FaceView(Context context) {
super(context);
init(context);
}
public FaceView(Context context, AttributeSet attrs) {
super(context, attrs);
init(context);
}
public FaceView(Context context, AttributeSet attrs, int defStyleAttr) {
super(context, attrs, defStyleAttr);
init(context);
}
public void init(Context context) {
mPaint = new Paint;
mPaint.setColor(Color.RED);
mPaint.setStrokeWidth(5f);
mPaint.setStyle(Paint.Style.STROKE);
}
public void setHandler(Handler handler)
{
mHandler = handler;
}
@Override
protected void onDraw( canvas canvas) {
super.onDraw(canvas);
if (mFaces == null || mFaces.length
return;
}
//准备矩形框
MainActivity.prepareMatrix(matrix, false, 270, getWidth, getHeight);
canvas.save;
matrix.postRotate(0);
canvas.rotate(-0);
RectF tempRectF = new RectF;
long tempTime = System.currentTimeMillis;
for (int i = 0; i
mRectF.set(mFaces[i].rect);//获取face矩形框值
float temp = mRectF.top;
mRectF.top = -mRectF.bottom;
mRectF.bottom = – temp; //上下交换
matrix.mapRect(mRectF);
canvas.drawRect(mRectF, mPaint);//绘制矩形框
tempRectF.set(mRectF);
if((mCurrentTime == 0) ||((tempTime-mCurrentTime)/1000) >= 4)
{//超过4秒，发送一次识别face矩形框值
mHandler.sendMessage(mHandler.obtainMessage(
MessageConst.CLIENT_ACTION_UPDATA_FACEDECTION_DATA, tempRectF));
mCurrentTime = tempTime;
}
Log.i(“ppp”,”mRectF.left = “+mRectF.left+”mRectF.right = “+mRectF.right);
}
canvas.restore;
}
}
自定义FaceView中，由于旋转了270度，所以需要face矩形框上下值进行交换，不然人脸识别总是左右或者上下不能追踪。每隔4秒发送一次矩形框的值，在MainActivity.java的handler中收到这个消息并进行是否居中的判断。
case MessageConst.CLIENT_ACTION_UPDATA_FACEDECTION_DATA:
if(mIsRecording)
break;
RectF rect = (RectF) msg.obj;
mLeft = rect.left;
mRight = rect.right;
mTop = rect.top;
mBottom = rect.bottom;//保存上下左右的矩形框值
float centerx = mLeft +(mRight – mLeft)/2;//获取矩形框横向中心点位置
float centery = mTop + (mBottom-mTop)/2;//获取矩形框纵向中心点位置
String promptString = “”;
if(centerx100)
promptString = “位置偏左,”;
else if((centerx > mScreenCenterx)&&
(Math.abs(centerx -mScreenCenterx)>100))
promptString = “位置偏右,”;
if((centery
Math.abs(mScreenCentery-centery) >200))
{
if(“”.equals(promptString))
promptString = “位置偏上”;
else
promptString += “并且偏上”;
}
else if((centery > mScreenCentery)&&
(Math.abs(centery -mScreenCenterx)>200))
{
if(“”.equals(promptString))
promptString = “位置偏下”;
else
promptString += “并且偏下”;
}
if(“”.equals(promptString))
{
promptString = “位置已经居中,可以拍照了”;
mIsCenter = true;
}
else
{
mIsCenter = false;
}
ITtsListener ttsListener = new ITtsListener
{
@Override
public void onPlayEnd {
if(mIsCenter)
{
if(mOlamiVoiceRecognizer != null)
mOlamiVoiceRecognizer.start;
}
}
@Override
public void onPlayFlagEnd(String arg0) {
}
@Override
public void onTTSPower(long arg0) {
}
};
TtsPlayer.playText(MainActivity.this,
promptString, ttsListener,Tts.TTS_SYSTEM_PRIORITY);
break;
可以获得屏幕的中心点和人脸识别的矩形框的中心点，对比横向和纵向的中心点大小和绝对值差，当横向的值差100像素以上就认为横向不居中，并且根据大小分居左和居右，纵向大小差值在200像素以上认为纵向不居中，并且根据大小分偏上和偏下，这个100，200像素值用户可以自己调节到合适的值。
调用TtsPlayer.playText提示，当播报结束后回调到onPlayEnd，如果居中那么已经提示用户可以拍照了，此时启动录音程序，用户不用点击button也不用唤醒，只许说拍照或者茄子就可以拍照了。
6.源码下载链接
7.相关链接语音在线听书：
语音记账demo：
olami开放平台语法编写简介：
olami开放平台语法官方介绍：
想看到更多这类内容？去APP商店搜 IT之家 ，天天都有小欢喜。
