C#集成ViewFaceCore人脸检测识别库

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

启动！

一切准备就绪。

C#，启动！

docker compose up --build -d

参考资料