C#集成ViewFaceCore人脸检测识别库

作者：程序设计实验室时间：2023-09-21 阅读数：180 人阅读

前言#

人脸检测与识别现在已经很成熟了，C# 上有 ViewFaceCore 这个很方便的库，但这种涉及到 native 调用的库，一般会有一些坑，本文记录一下开发和部署的过程。

本文的项目是AIHub，关于本项目的开发过程，可以参考之前的文章：项目完成小结：使用Blazor和gRPC开发大模型客户端

而且经过最近一个月的工作，我把这个项目重构了一遍，界面换成了 Ant Design ，增加了很多功能，更多的我会在后续的博客文章中分享。

先看效果#

多目标检测，我一下就想到了以前读书时很火的「少女时代」

ViewFaceCore简介#

这是一个基于 SeetaFace6 的 .NET 人脸识别解决方案

SeetaFace6是中科视拓最新开源的商业正式版本。突破了之前社区版和企业版版本不同步发布的情况，这次开源的v6版本正式与商用版本同步。

主要做了对 SeetaFace6 的 .Net 封装。

支持以下功能：

年龄预测
眼睛状态检测
性别预测
人脸检测
口罩检测 / 戴口罩关键定定位，5个关键点
人脸关键定定位（5点 / 68点）
人脸识别（5点 / 68点）
活体检测
姿态检测
质量检测

在 C# 中使用非常简单，不过因为是调用了C++的库，所以部署的时候会有点小坑，本文记录了这些小坑和解决方案。

添加依赖#

先添加以下依赖

<PackageReference Include="ViewFaceCore" Version="0.3.8" />
<PackageReference Include="ViewFaceCore.all_models" Version="6.0.7" />
<PackageReference Include="ViewFaceCore.Extension.ImageSharp" Version="0.3.7" />
<PackageReference Include="ViewFaceCore.runtime.ubuntu.20.04.x64" Version="6.0.7" />
<PackageReference Include="ViewFaceCore.runtime.win.x64" Version="6.0.7" />

以ViewFaceCore.runtime.开头的运行时，需要根据开发和部署的环境来安装，我这里安装了 Windows 版和 Linux 版本。

注意 Linux 版本还依赖libgomp1这个库，如果使用的时候报错，需要先安装。

人脸检测#

很简单，先创建个FaceDetector对象。

因为这个模型是调用了非托管资源，所以要记得使用using或者手动调用Dispose方法释放资源。

using FaceDetector _faceDetector = new();

然后传入图片对象就可以进行检测了，如果检测到人脸，会返回人脸框的四个坐标。

支持三种图片库：

SkiaSharp
ImageSharp
System.Drawing

第三个是微软官方的，据说要 Obsolete 了，所以我一般用 ImageSharp ，纯 C# 实现，跨平台也好用。

需要安装ViewFaceCore.Extension.ImageSharp依赖以支持 ImageSharp 图片。

简单例子#

先来一个最简单的例子，检测人脸，并把人脸框出来。

public async Task<byte[]> DrawFaceFrame(byte[] imageBuffer, string format = "jpg") {
  using var inputStream = new MemoryStream(imageBuffer);
  using var image = await Image.LoadAsync(inputStream);
  var faceInfos = await _faceDetector.DetectAsync(image);
  foreach (var face in faceInfos) {
    image.Mutate(x => {
      x.Draw(
        Color.HotPink, 2.5f,
        new RectangleF(face.Location.X, face.Location.Y, face.Location.Width, face.Location.Height)
      );
    });
  }

  using var outputStream = new MemoryStream();
  await image.SaveAsync(outputStream, image.DetectEncoder($"demo.{format}"));
  return outputStream.ToArray();
}

以上代码实现了传入 byte[] 类型的图片流，然后输出画了人脸框的图片，同样是byte[]类型。

非常滴简单，不过 ImageSharp 的文档太少了，还是得探索一下才知道咋画方框。

完整用法#

以前文「先看效果」为例，先定义一下数据结构

public class FaceItem {
  public FaceInfo FaceInfo { get; set; }
  public FaceMarkPoint[] FaceMarkPoints { get; set; }
  public float[]? FaceFeatures { get; set; }
  public byte[]? ImageBuffer { get; set; }
}

public class FaceDetectResult {
  public List<FaceItem> FaceItems { get; set; }
  public byte[] ImageBuffer { get; set; }
}

需要使用 ViewFaceCore 里的三个对象

// 人脸检测
private readonly FaceDetector _faceDetector = new();

// 人脸标记点位
private readonly FaceLandmarker _faceMark = new();

// 人脸识别
private readonly FaceRecognizer _faceRecognizer = new();

关键代码

PS：代码写得很粗糙，性能一般般，只是凑合能用

		
		
		
		
		
			/// <summary>
/// 人脸检测
/// </summary>
/// <param name="extractFeatures">是否提取人脸特征</param>
/// <param name="cropEveryFace">是否裁剪每个人脸小图</param>
/// <returns></returns>
public async Task<FaceDetectResult> Detect(
  byte[] imageBuffer, string format = "jpg",
  bool extractFeatures = false, bool cropEveryFace = false
) {
  var font = GetFont("segoeui.ttf");

  using var inputStream = new MemoryStream(imageBuffer);
  using var image = await Image.LoadAsync<Rgba32>(inputStream);
  using var resultImage = image.Clone();

  var result = new FaceDetectResult { FaceItems = new List<FaceItem>() };
  var faceInfos = await _faceDetector.DetectAsync(image);

  foreach (var face in faceInfos) {
    var faceItem = new FaceItem {
      FaceInfo = face,
      FaceMarkPoints = await _faceMark.MarkAsync(image, face)
    };

    // 提取人脸特征
    if (extractFeatures) {
      faceItem.FaceFeatures = await _faceRecognizer.ExtractAsync(image, faceItem.FaceMarkPoints);    
    }

    // 裁剪人脸小图
    if (cropEveryFace) {
      using var faceImage = image.Clone();
      var cropRect = GetCropRect(face, 5);
      try {
        faceImage.Mutate(x => x.Crop(cropRect));
      }
      catch (ArgumentException ex) {
        faceImage.Mutate(x => x.Crop(GetCropRect(face, 0)));
      }

      using (var faceImageStream = new MemoryStream()) {
        await faceImage.SaveAsync(faceImageStream, faceImage.DetectEncoder($"demo.{format}"));
        faceItem.ImageBuffer = faceImageStream.ToArray();
      }
    }

    result.FaceItems.Add(faceItem);

    // 画人脸框
    resultImage.Mutate(x => {
      x.Draw(
        Color.HotPink, 2.5f,
        new RectangleF(face.Location.X, face.Location.Y, face.Location.Width, face.Location.Height)
      );
      x.DrawText(
        $"face:{face.Score}", font, Color.HotPink,
        new PointF(face.Location.X, face.Location.Y - 20)
      );
    });
  }

  using var outputStream = new MemoryStream();
  await resultImage.SaveAsync(outputStream, resultImage.DetectEncoder($"demo.{format}"));
  result.ImageBuffer = outputStream.ToArray();

  return result;
}

字体和生成矩形的代码

ImageSharp 的文档非常缺乏，每一步都需要经过大量的搜索……

private Font GetFont(string fontFileName) {
  var path = !string.IsNullOrWhiteSpace(_pathPrefix) ? Path.Combine(_pathPrefix, fontFileName) : fontFileName;
  FontCollection collection = new();
  FontFamily family = collection.Add(path);
  return family.CreateFont(20, FontStyle.Bold);
}

private static Rectangle GetCropRect(FaceInfo faceInfo, int cropOffset) {
  return new Rectangle(faceInfo.Location.X - cropOffset, faceInfo.Location.Y - cropOffset,
                       faceInfo.Location.Width + cropOffset * 2, faceInfo.Location.Height + cropOffset * 2);
}
		
			
		
人脸识别#

人脸识别的思路：

检测到人脸
确定人脸关键点位置（5点/68点）
根据关键点提取特征
在向量数据库中搜索该特征对应的人

最后一步使用了向量数据库，其实不用也行，人脸特征提取出来是float[]类型，理论上保存在任何地方都行，然后识别的时候把人脸特征拿出来与保存的特征库做遍历对比。

FaceRecognizer对象提供了Compare功能，可以计算两个人脸特征的相似度。

这个特征其实是个向量，所以理论上是可以自己用其他算法来计算相似度，比如

基于距离的欧氏距离、曼哈顿距离、
夹角余弦
皮尔逊相关系数

在上面人脸检测的「完整用法」中，已经把检测人脸、关键点位置、特征提取这部分搞定了。

接下来需要做的

人脸信息录入，需要传统关系型数据库搭配向量数据库，或者是 PostgreSql 这类支持向量存储的数据库也行
人脸信息比对，使用向量数据库的向量搜索功能，或者自行实现向量搜索算法

因为篇幅限制，本文就不展开人脸识别这一块内容了，接下来有时间单独写一篇文章。

部署#

接下来是填坑。

使用 docker 部署应用

本项目使用 .Net Core 7.0 所以对应使用mcr.microsoft.com/dotnet/aspnet:7.0基础镜像

这个镜像是基于 Debian11 系统制作

默认没有libgomp1这个库，需要自行添加

apt 软件源#

首先准备sources.list文件，用于修改 apt 仓库为国内源

# 默认注释了源码镜像以提高 apt update 速度，如有需要可自行取消注释
deb https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye main contrib non-free
# deb-src https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye main contrib non-free

deb https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye-updates main contrib non-free
# deb-src https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye-updates main contrib non-free

deb https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye-backports main contrib non-free
# deb-src https://mirrors.tuna.tsinghua.edu.cn/debian/ bullseye-backports main contrib non-free

# deb https://mirrors.tuna.tsinghua.edu.cn/debian-security bullseye-security main contrib non-free
# # deb-src https://mirrors.tuna.tsinghua.edu.cn/debian-security bullseye-security main contrib non-free

deb https://security.debian.org/debian-security bullseye-security main contrib non-free
# deb-src https://security.debian.org/debian-security bullseye-security main contrib non-free

dockerfile#

在base构建阶段，安装libgomp1这个库

FROM mcr.microsoft.com/dotnet/aspnet:7.0 AS base
COPY ./sources.list /etc/apt/sources.list
RUN apt update && apt install libgomp1
WORKDIR /app
EXPOSE 80
EXPOSE 443

FROM base AS final
WORKDIR /app
COPY . .
ENTRYPOINT ["./AIHub.Blazor"]

docker-compose.yml#

version: '3.6'

services:
  web:
    image: ${DOCKER_REGISTRY-}web
    container_name: aihub
    restart: always
    environment:
      - ASPNETCORE_ENVIRONMENT=Production
      - ASPNETCORE_URLS=http://+:80
    build:
      context: .
    volumes:
      - .:/app
    networks:
      - default
      - swag

networks:
  swag:
    name: swag
    external: true
  default:
    name: aihub