17000+著名地标轻松认，机器学习助你变身世界名胜小百科

平常看报纸或者新闻的时候，有很多著名的地标我们都不认识，有时很想知道新闻或杂志上的地标是什么、在哪里，奈何相关知识储备不足，为了能够快速、准确地识别各种著名地标，可以采取什么样的办法呢？让我们通过集成华为ML Kit的地标检测服务，开发出一款识别著名地标的App吧！以下来具体看一看如何实现如此强大的功能：识别服务简介集成地标识别服务，您会获得输入图片的地标名称、经纬度、可信度等信息，可信度越高代表

华为移动服务

489人浏览 · 2021-06-22 16:13:01

华为移动服务 · 2021-06-22 16:13:01 发布

全民互联时代，即使足不出户，我们也能在朋友圈以及各大社交媒体平台纵览世界各地的风景。

你有没有过这样的尴尬。在朋友圈瞬间种草的美景、却不知道具体位置在哪里；想跟好友就分享的出游照打开话题，奈何地标知识储备不足，自行检索的操作损耗太大，转而悄悄点赞作罢……

这一切，华为机器学习地标识别能力都能轻松handle，开发一款地标识别应用，17000+著名地标，教你变身世界名胜小百科。

识别服务简介

集成地标识别服务，你会获得输入图片的地标名称、经纬度、可信度等信息，可信度越高代表输入图片中的地标越有可能是识别出的地标。基于获得的信息，你可以为用户创造更加个性化应用体验。目前已经支持分布在全球超过17,000处地标的识别。

地标识别服务是端侧调用云侧API进行检测，检测算法模型在云侧运行。因此，调测和使用时需保证设备可正常访问互联网。

集成准备

开发环境配置

1、需要在华为开者联盟上创建应用：

此步骤具体可以详见下方的链接：https://developer.huawei.com/consumer/cn/doc/development/AppGallery-connect-Guides/agc-get-started#createproject?ha_source=hms1

2、打开机器学习服务：

具体开启步骤可以查看下方的链接：https://developer.huawei.com/consumer/cn/doc/development/HMSCore-Guides-V5/enable-service-0000001050038078-V5?ha_source=hms1

3、创建完应用之后，会自动生成agconnect-services.json文件，需要手动将agconnect-services.json文件拷贝到应用级根目录下

4、配置HMS Core SDK的Maven仓地址。

关于Maven仓的配置可以查看下方的链接：https://developer.huawei.com/consumer/cn/doc/development/HMSCore-Guides/config-maven-0000001050040031?ha_source=hms1

5、集成地标识别服务SDK

在app目录下的build.gradle文件中配置相应的sdk

// 引入地标识别服务SDK
implementation 'com.huawei.hms:ml-computer-vision-cloud:2.0.5.304'

根据实际情况声明AGC插件配置，有两种方式

apply plugin: 'com.android.application'
apply plugin: 'com.huawei.agconnect'
或
plugins {
    id 'com.android.application'
    id 'com.huawei.agconnect'
}

应用开发编码阶段

1、取得相机权限，便于拍照和选择照片

设置静态权限（必须）

<uses-permission android:name="android.permission.CAMERA" />
动态权限获取（必须）
ActivityCompat.requestPermissions(
        this, new String[]{Manifest.permission. CAMERA
}, 1);

2、设置ApiKey，因为此服务需要在云端进行检测，所以需要通过APIKey设置云端鉴权信息，此处必须设置，否则程序运行时会报错。

//设置应用访问云服务的ApiKey。
private void setApiKey() {
//解析agconnect-services.json文件，以便获取此文件中的信息
AGConnectServicesConfig config = AGConnectServicesConfig.fromContext(getApplication());
//设置ApiKey
MLApplication.getInstance().setApiKey(config.getString("client/api_key"));

    }

3、创建地标分析器，有两种方式，一种是使用默认的方式，一种是可以通过地标识别自定义参数类MLRemoteLandmarkAnalyzerSetting创建分析器。

// 方式1：使用默认的参数配置。
MLRemoteLandmarkAnalyzer analyzer = MLAnalyzerFactory.getInstance().getRemoteLandmarkAnalyzer();

// 方式2：使用自定义的参数配置。

/**
 * 使用自定义的参数配置。
 * setLargestNumOfReturns 识别结果的最大数量。
 * setPatternType  分析器使用的模式。
 * MLRemoteLandmarkAnalyzerSetting.STEADY_PATTERN：值为1，即稳定模式。
 * MLRemoteLandmarkAnalyzerSetting.NEWEST_PATTERN：值为2，即最新模式。
 */
private void initLandMarkAnalyzer() {
    settings = new MLRemoteLandmarkAnalyzerSetting.Factory()
            .setLargestNumOfReturns(1)
            .setPatternType(MLRemoteLandmarkAnalyzerSetting.STEADY_PATTERN)
            .create();
    analyzer = MLAnalyzerFactory.getInstance().getRemoteLandmarkAnalyzer(settings);
}

4、通过拍照或者选择相册的图片，将获取的图片转为Bitmap类型，此步骤需要接入方自己实现，地标识别SDK没有提供此能力。

//选择图片
private void selectLocalImage() {
    Intent intent = new Intent(Intent.ACTION_PICK, null);
    intent.setDataAndType(MediaStore.Images.Media.EXTERNAL_CONTENT_URI, "image/*");
    startActivityForResult(intent, REQUEST_SELECT_IMAGE);
}

在回调方法中开启检测地标的服务
@Override
protected void onActivityResult(int requestCode, int resultCode, Intent data) {
    super.onActivityResult(requestCode, resultCode, data);
    //图片选择成功
    if (requestCode == REQUEST_SELECT_IMAGE && resultCode == RESULT_OK) {
        if (data != null) {
            //通过getData()方法 拿到imageUri
            imageUri = data.getData();
//BitmapUtils类需要接入方自己实现，可以通过uri得到Bitmap对象 bitmap = BitmapUtils.loadFromPath(this, imageUri, getMaxWidthOfImage(), getMaxHeightOfImage());
        }
        //开始地标的检测
        startAnalyzerImg(bitmap);
    }
}

5、获取到图片的bitmap对象之后，就可以进行地标的检测了，因为地标的检测是在云测进行的，如果网络不好的情况下，数据传输比较慢，所以建议在检测之前，开启遮罩层。

//开始检测地标
private void startAnalyzerImg(Bitmap bitmap) {
    if (imageUri == null) {
        return;
    }
    //开启遮罩层
    progressBar.setVisibility(View.VISIBLE);
    img_analyzer_landmark.setImageBitmap(bitmap);

    //通过android.graphics.Bitmap构造MLFrame，支持的图片格式包括：jpg/jpeg/png/bmp，建议图片尺寸不小于640*640像素。
    MLFrame mlFrame = new MLFrame.Creator().setBitmap(bitmap).create();
    Task<List<MLRemoteLandmark>> task = analyzer.asyncAnalyseFrame(mlFrame);
    task.addOnSuccessListener(new OnSuccessListener<List<MLRemoteLandmark>>() {
        public void onSuccess(List<MLRemoteLandmark> landmarkResults) {
            progressBar.setVisibility(View.GONE);
            // 识别成功的处理逻辑。
            Log.d("BitMapUtils", landmarkResults.get(0).getLandmark());
        }
    }).addOnFailureListener(new OnFailureListener() {
        public void onFailure(Exception e) {
            progressBar.setVisibility(View.GONE);
            // 识别失败的处理逻辑。
            // Recognition failure.
            try {
                MLException mlException = (MLException) e;
                // 获取错误码，开发者可以对错误码进行处理，根据错误码进行差异化的页面提示。
                int errorCode = mlException.getErrCode();
                // 获取报错信息，开发者可以结合错误码，快速定位问题。
                String errorMessage = mlException.getMessage();
                //将错误码和错误信息 以日志的形式打印出来
                Log.d("BitMapUtils", "errorCode: " + errorCode + "; errorMessage: " + errorMessage);
            } catch (Exception error) {
                // 转换错误处理。
            }
        }
    });
}