xMedia来了！支付宝客户端的智能化“武器”

导读：智能终端经过10多年的发展，又一次站在巨变前夕，智能化、去中心化逐渐成为趋势。今天，我们将深入解析支付宝客户端的智能化之路，了解如何在终端侧构建完整的xMedia SDK，为用户提供更加丰富的智能化体验，积极探索和适配新的硬件形态，创造新的应用场景和方式，提升用户体验。

1、智能终端的发展趋势

1983年摩托罗拉第一台移动电话问世开始，手机已走过了30多年的历史。在最初的功能机时代，手机提供语音通话和短信功能，初步解决了人和人之间的交流需求；在随后的智能机时代，高质量的图像、视频能力成为竞争的重点，语音消息、图片共享、视频通话成为社交的主流方式，有效的丰富了人们之间的交流体验。

从苹果2007年发布IPhone开始，智能手机经过10年的发展，目前的视网膜分辨率、4K2K视频拍摄，12M双目拍照已经成为业界主流，音频、视频的效果已基本达到普通用户的体验上限。更高的显示分辨率、更高的图像、视频分辨率对用户的边际价值越来越低，智能手机又一次走到了发展的拐点。

1.1 传感器

摄像头作为最重要的传感器，在过去几十年产生了翻天覆地的变化：

分辨率：从最初的2M增长到现在的主流12M，Nokia曾推出过高达41M的手机；

多目相机：双目相机成为主流，通过双目视觉计算周边环境的深度Depth信息，从而实现大光圈效果、 3D建模等能力；据传华为新一代P20聚成将搭载三目摄像头，增强变焦效果；

主动光源相机：苹果IPhoneX首次将结构光相机引入手机，获得高精度深度Depth信息，实现FaceID；

麦克风作为重要但是容易被忽视的传感器，也有了很大的演进。以IPhoneX为例，通过不同个位置的4个麦克风形成麦克风阵列，实现对声场的重建，实现声源定位、远距离拾音、定向拾音等一系列相应功能。其他手机也基本采用类似设计，提升语音交互及音频体验。

除此之外，手机中集成了陀螺仪（Gyro），加速传感器、距离传感器、气压计、磁力感应器等多种类的传感器，并且精度和种类越来越多，随着多传感器的信息融合，可以提供更丰富的对外界的感知能力。

1.2 计算能力

手机搭载的CPU、GPU能力持续增强，苹果iPhoneX的A11芯片集成43亿个晶体管， 6核CPU （2大4小），3核GPU（对3D游戏、深度学习、AR进行优化），搭载神经网络引擎。高通、华为等手机均在主芯片上搭载NPU支持，可有效的加速深度学习在终端上的运行效果。

1.3 发展趋势

我们认为随着各种传感器的增加、计算能力的增强，尤其是NPU的普及，智能手机会迎来新的变革：

智能化：即手机会更加智能化。手机的发展的重点从增强人和人之间的连接（更高分辨率、更高的图片视频质量）变为对周边环境、对人和环境之间的感知，更加智能化的服务用户。现在的双目相机计算深度信息，麦克风阵列计算用户位置，已经实现了初步的周边环境感知能力；

多样化：手机作为中心的交互方式会逐渐弱化，更自然、更多样的终端设备（例如智能音箱、智能手环、VR/AR设备等）会承接手机的部分功能，从而逐渐减弱手机作为核心交互设备的重要性。目前Amazon/Google/Apple大力投入的智能音箱，就是希望音箱能成为用户在家庭中的一个更自然的交互入口。虽然未来是否能成功有待探索，仍然是一个有益的尝试；

2、多媒体客户端基础

随着支付宝业务需求，从2015年初开始多媒体技术部启动语音、图片、小视频等富媒体通信相关工作。目前在音频视频前端处理领域形成了完整的技术能力，支撑支付宝内各业务场景，为用户提供极致的音视频体验。

前端数据采集是智能化能力的基础，不论人脸识别，图像理解还是语音识别，高质量、低噪声的原始数据是后续高精度识别的基础。我们希望通过多媒体相关技术，在终端上结合算法和工程能力，获取到高质量的原始数据，并高速稳定的传输到云端，作为后续智能化做好准备。

2.1 富媒体通信

目前作为支付宝基础组件，对接云端AFTS/Django/TFS等系统，提供完整的音频/图像/视频编解码、处理、渲染、传输及存储能力，支撑众多业务场景。在自研算法库、缓存优化、网络优化等领域形成自己特有技术能力，并通过数据大盘实现业务数据精细化监控，有效支撑各业务场景精细优化；

2.2 视频直播

2017年自研视频直播组件系统上线，陆续接入口碑、蚂蚁会员周周乐、商家开放平台培训等直播业务，支持最新直播答题特性；

2.3 视频通话

2017年自研视频通话系统上线，支撑闲鱼、菜鸟、IT等业务场景。在支付宝内支持财富远程相关业务（即将上线）。

3、多媒体客户端智能化

基于多媒体客户端高质量的数据采集，多媒体技术部在终端上布局系列技术，提升终端的理解能力（xNN）、空间感知能力（xSLAM）、3D渲染能力（xAnt3D），人机交互能力（手势识别、人体姿态识别等等）。多种能力结合支撑更加智能化的业务场景，为用户提供更加智能化的体验。

3.1 客户端深度学习引擎xNN

近年来，深度学习（DL）在图像识别、语音识别、自然语言处理等诸多领域都取得了突破性进展。DL通常给人以计算复杂、模型庞大的印象。常规应用场景都是手机终端采集数据，云端识别处理。但是对于很多需要低延时、低带宽、高隐私的应用而言，客户端的DL能力是非常必要的。对于支付宝这种海量用户APP，如果能将部分DL工作转移到客户端来实现，对用户体验和云端降成本都有很大的价值。

2017年8月，自研客户端深度学习引擎xNN上线支付宝10.0.20版本，将DL能力推到终端，通过边缘计算实现高实时应用，有效的降低云端负载，提升用户体验。自研xNN具有如下特点：

小引擎：通过移动端SDK的深度裁减，安卓平台只有200KB；

轻模型：通过高效的模型压缩算法，实现高精度+小尺寸的模型；

快速：结合指令层和算法层的优化，综合提升DL计算的效率；

普适：不仅支持经典的CNN、DNN网络，也支持RNN、LSTM、TFLite等网络形态；

易用：完整模型转换工具链，算法工程师能快速完成云端模型到移动端模型的转换和部署；

xNN上线后，已经帮助蚂蚁的多个业务，包括支付宝（扫五福等）、保险、财富、芝麻信用、网商银行，完成客户端DL算法的部署，并输出到多个外部合作公司。阿里巴巴集团范围内，也有多个BU在逐步接入。这得益于xNN自身优秀的性能，具体的：一方面，xNN能够提供提供高达近数十倍的模型压缩能力，解决了DL算法模型尺寸过大的落地瓶颈；另一方面，xNN不仅支持基础的分类任务，而且已能够为更为复杂的目标检测、语义特征点提取等任务提供高效的移动端解决方案。

3.2 客户端位姿计算引擎xSLAM

在我们面临的很多问题中，需要知道手机在空间中的位置和姿态，从而反向推断出用户所在的位置和姿态。SLAM（simultaneous localization and mapping）作为业界广泛使用的定位技术，通过机器视觉和手机传感器相结合，解算出手机在空间中的位置和姿态（6自由度）。SLAM涵盖了图像视觉、多视几何的几乎所有关键算法，对于算法能力、性能优化、终端适配及鲁棒性提出了很高的要求。

2017年9月，自研xSLAM引擎在支付宝10.1.5版本上线。自研算法针对算法在三维空间估计和位姿估计的准确度上，以及不同机型的硬件差异（特别是Andriod手机的IMU质量参差不齐），做了大量的算法及工程适配优化工作，同时在工程上基于各类芯片的GPU/DSP进行极致优化。

SLAM上线后，第一个业务是AR平台扫可口可乐福娃活动。目前保险、萌宝等业务接入中。作为手机位置姿态的基础能力，我们确信后续会支撑更多的业务场景。

3.3 客户端3D渲染引擎xAnt3D

3D渲染是三维计算机图形学最重要的研究课题之一，并且在实践领域与其他技术密切相关，是智能化技术的交互入口。3D渲染是指将3D模型文件（包括几何、视点、纹理、照明和阴影等信息）进行实时渲染获得3D效果。

支付宝3D渲染引擎xAnt3D来自于2017年春节红包的AR互动需求。多媒体技术部虽然之前在图片裁剪/美颜、视频渲染等等较多场景下使用过OpenGL技术，但和2D渲染场景相比，3D渲染涉及3D数学模型、view、project矩阵计算，以及粒子、阴影、光线、平面计算等知识，覆盖光学、视觉感知、数学及软件工程等技术点，对我们产生较大的挑战。

经过1年多的研发工作，xAnt3D移动端轻量级3D渲染引擎，在图像跟踪、陀螺仪跟踪、SLAM跟踪等条件下对模型动画进行稳定的渲染。同时在工程上做了深度的优化工作，Android4.3以上全机型兼容，支持特性有骨骼动画、节点动画、材质贴图、粒子效果、光线、透明视频、文字渲染，同时具备JS脚本扩展支持能力，并可以实现30fps的流畅渲染效果（依赖于手机采集帧率）。在支付宝环境中，xAnt3D渲染引擎在移动端轻量级包大小分在1MB左右。随着更高质量的人机交互要求，xAnt3D渲染引擎肯定会起到更多的作用，支撑更多业务场景。

体验效果可参考上面3.2中xSLAM福娃3D渲染效果。

3.4 客户端人机交互能力

随着终端处理能力和用户要求的提高，我们希望给用户提供类似手势识别、人体姿态识别等更加自然的交互方式，创造更加新颖有趣的玩法，打造新的应用形态。

2018年春节AR红包中的“五福到”红包，首次利用人脸+人手手势的方式进行用户交互。为了降低云端负载，提高用户相应时间，手势识别在客户端实现，业务获得了较大的影响和用户的好评。我们后续有计划在更多业务场景中使用手势识别，并且将支

持更加复杂的手势。

人体姿态估计作为对人体姿态的理解能力，可给大量线上线下场景赋能，创造新的应用空间。例如在线上场景，可以在无需额外体感设备的条件下提供体感操作、体感娱乐的功能（例如QQ高能舞室）。在线下可以实现类似跳舞机的产品；在营销活动中，无论线上还是线下，该技术均可为商家营销提供用户互动体验。

4、多媒体泛终端能力

如最初所述，用户交互方式会逐渐从围绕手机的中心化逐渐离散化，多媒客户端SDK也在技术上做好相应准备，以便将手机上的多媒体能力快速的移植到其他硬件平台，支撑多样性的用户终端，支持业务发展。

网络能力：网络传输使用发布/订阅消息模式，使用小型传输、开销小、协议交互最小化的协议。不同消息传输发布不同服务质量类型消息，可支持低带宽、不可靠的网络传输及弱硬件能力设备；

跨平台能力：增加底层代码跨平台覆盖，和平台特性无关逻辑下沉通过C实现增加Kernel层，上层涉及平台差异性逻辑再通过iOS/Android/Liunx等系统方法来调用；

底层驱动能力：传感器采集等其他硬件驱动扩展支持储备，如智能货柜场景需要支持多摄像头数据采集处理，增加了对USB驱动、Camera驱动等技术储备。

目前相关技术已经应用在行业智能机具管控平台、无人货柜、远程娃娃机等项目中。

5、xMedia技术沙盘

多媒体技术部围绕多媒体基础体验、智能化体验、工程及优化能力，形成完整的多媒体客户端方案xMedia。在核心算法层构建算法技术壁垒，在组件层形成多样的多媒体能力，可以快速上线支撑业务发展。xMeida SDK具有如下特点：

完备：完整多媒体解决方案，包括内容采集、处理、理解、交互、网络、缓存等，实现业务快速接入；

智能：丰富的智能化算法能力，包括智能压缩、处理、视觉理解、深度学习，可在客户端实现丰富功能；

普适：精细化的缓存管理，深入的终端适配工作，终端兼容性高；

传输：多样性的网络传输协议、自适应的网络调度策略，支持富媒体、视频通话、直播等业务场景；

5.1 算法层

算法及相应的工程化是xMedia的竞争力核心，我们在多媒体数据采集、处理、理解、交互及工程化等环节都进行了深入的工作：

多媒体数据采集：（1）在目前双目及多目相机、多麦克风、多扬声器成为标配的现状下，如何充分利用既有硬件提升图像、视频、音频的采集和播放效果，创造新的应用场景是我们面临的重要问题。目前我们已充分掌握多目相机及麦克风阵列等硬件设计及开发能力，既能充分使用终端上的硬件能力，也可以根据需求定制相应的软件硬件方案，形成自己技术壁垒。（2）IMU是终端上另一种重要的传感器数据，对于SLAM有重要的作用，而Andriod平台的IMU精度是我们面临的最大问题。通过大量数据的采集和测试，我们初步完成了终端适配和数据降噪问题，可以满足大部分场景；（3）未来相机、麦克风、IMU等传感器数据融合是必然的趋势，在不同场景下取长补短，获得高精度的数据。相关的技术也在储备中；

多媒体数据处理：（1）压缩：我们对于语音、图像、视频提供丰富的编解码支持，基于HEVC的图像编解码器也已上线灰度；（2）处理：我们提供丰富的图像及视频裁剪、降噪、增强能力；（3）人脸：我们提供丰富的人脸特效，支撑社交及其他场景的应用；（4）音频及语音：我们对于语音3A、音频信号处理有深入理解，支撑音频录制、语音通话、音乐播放等相关场景；

多媒体数据理解：（1）深度学习xNN 深度优化的移动端上DL引擎；（2）位姿计算xSLAM提供高精准和稳定的三维空间估计和位姿估计；（3）目标跟踪x3Dot提供2D、3D的检测及跟踪能力；（4）OCR识别用于银行卡识别、燃气表识别、汽车行驶里程等业务场景；

多媒体工程能力：工程能力和用户体验息息相关，高质量的工程能力决定了算法能否成功落地。（1）性能优化，包括摄像头启动耗时优化，精细化内存缓冲区管理，网络上传耗时优化，通过IP直连、域名收敛、线程通道隔离等优化网络下载成功率及耗时；（2）鲁棒性&兼容性，xMedia SDK在支付宝上经受复杂应用场景的考验，闪退率远低于万分之一的指标；尤其是解决众多Android多厂商及多系统各种各样的兼容性问题； （3）包大小，深度裁剪优化；

5.2 组件层

基于核心算法，我们提供丰富的多媒体组件供业务层使用：

多媒体基础能力：提供丰富的语音、图像及视频处理接口，提供完整的富媒体通信、直播及通话引擎，业务可以快速接入；

多媒体智能能力：提供客户端上深度学习引擎、位姿计算引擎、目标检测引擎、3D渲染引擎、手势识别/人体姿态识别的人机交互能力，支撑各种应用场景；

6、总结及展望

智能终端经过10多年的发展，又一次站在巨变前夕，智能化、去中心化逐渐成为趋势。多媒体技术部集成算法、工程及硬件能力，希望在终端侧构建完整的xMedia SDK：在手机上提供更加丰富的智能化体验，积极探索和适配新的硬件形态，创造新的应用场景和方式，提升用户体验。我们希望通过自己的努力，实现用户、商家、设备之间的互联互通，实现我们人人互通，万物互联的梦想！

关注「技术边城」    把握前沿技术脉搏