Edge Sentinel AI (邊緣哨兵 AI)

需求說明

------------ 案件需求說明 ------------ https://youtu.be/dbHtdYGbtyc Edge Sentinel AI SDK 核心夥伴招募（基於現有 MVP 基礎整合離線人臉活體檢測功能） 本專案主要目的在尋找具備 Android 及機器學習模型整合經驗的研發夥伴。我們將在一個已具備關鍵功能的 MVP 基礎上進行深度開發，目標是將其產品化為市場上最具競爭力的 離線活體檢測 SDK。 ------------- 專案目標與背景 ------------- 本專案在解決現有人臉辨識技術的最大安全痛點：「欺詐攻擊」（Presentation Attack Detection, PAD）。現有的應用程式容易被照片、回放的影片或 3D 面具欺騙。 您的任務是將我們客製化訓練的 TensorFlow Lite 模型（現稱為 LiteRT）無縫整合進現有即時人臉辨識流程，以實現 完全離線、即時、免費的活體檢測 功能。 關鍵要求： 確保人臉必須被判定為 真實活體，才能進入後續的身份辨識流程，大幅提升應用程式的 防詐欺能力。 ----------------------- 現有 MVP 狀態（工作基礎） ----------------------- 本專案基於一個 已完成 且功能穩定的 Android MVP 進行開發，現有程式碼（codes/complete 分支）已具備以下核心架構與功能： 1. 即時影像串流：利用 Camera2 API 和 CameraConnectionFragment 顯示即時攝影機畫面。 2. 人臉偵測：使用 Google ML Kit 函式庫從影像幀中檢測人臉位置並繪製邊框。 3. 特徵辨識：使用 FaceNet 或 MobileFaceNet 模型（`.tflite` 格式：如 `facenet.tflite`, `mobile_face_net.tflite`）進行人臉特徵嵌入（embedding）計算。 4. 本地資料庫：支援人臉註冊（Face Registration），將嵌入向量與姓名儲存於本地資料庫（`db/DBHelper.java`）。 5. 活體模組：`codes/complete` 分支中已包含 `Face_Recognition/LivenessDetector.java` 類別及對應的 `model.tflite` 模型，但需優化並串接至核心流程。 -------------------- 核心整合任務與技術細節 -------------------- 開發夥伴需完成以下 最小可行產品 (MVP) 級別的整合任務，並為延伸功能打下基礎： 1. 模型載入與初始化：確保 `app/build.gradle` 包含必要的 TensorFlow Lite / LiteRT 依賴，並在 `MainActivity` 中初始化 `LivenessDetector` 物件。傳遞 欺詐閾值（例如 0.5）給建構函式。 2. 影像前處理：將 ML Kit 偵測後裁切的人臉影像，精準調整為活體模型要求的 224x224 像素的 4D 陣列 作為輸入。 3. 活體檢測 Gate 串接： * 在處理流程（例如 `performFaceRecognition` 方法內）中，必須 在進行人臉辨識（Face Recognition）之前，先呼叫活體檢測邏輯。 * 流程阻斷：如果模型輸出值（介於 0 到 1 之間，接近 1 為欺詐） 大於或等於 預設閾值（`isLive()` 返回 false），則 立即停止後續的辨識流程。 * 結果顯示：若判定為欺詐，則在人臉框旁顯示 「spoof」 或本地化警告，而不顯示人名。 -------------------------- 延伸功能 (加分項，納入 Open-Core 商業化) -------------------------- 我們計畫將專案進一步升級，以實現市場區隔： 1. 活體策略增強：整合 被動式活體（靜默）與 主動式活體（如眨眼、點頭挑戰指令）的風險升級機制。 2. 可驗證性：設計 PAD 測試腳本，並輸出包含模型分數、延遲與判定理由的 可審計 JSON Log。 3. 安全與隱私：對本地儲存的人臉嵌入進行 加密（如 SQLCipher/Android Keystore），並啟用 ProGuard/D8 混淆。 4. 跨平台/擴展：確保 TFLite 模型能在 iOS (透過 Swift/Objective-C API) 與 Raspberry Pi (C++/Python API) 上運行，保持核心邏輯的共享性。 ------------------------ 開發者技能要求（必須具備） ------------------------ 我們尋求具備以下經驗與能力的夥伴： * 精通 Java/Kotlin 語言：具備 Android 應用程式開發與現有代碼庫修改能力。 * TensorFlow Lite 整合經驗：有在 Android 裝置端載入、運行和優化 TFLite 模型（或新版 LiteRT API）輸入/輸出的實戰經驗。 * 機器視覺基礎：了解人臉檢測（ML Kit）與人臉辨識（FaceNet/embedding/距離比較）的基本工作原理。 * 問題解決能力強：能獨立調試、測試並優化活體檢測效能，例如根據測試結果調整欺詐閾值（`spoof threshold`）。