ASP.NET Core + FaceRecognitionDotNet 人脸识别实战:DI 单例、特征向量持久化与 1:N 比对

ASP.NET Core + FaceRecognitionDotNet 人脸识别实战:DI 单例、特征向量持久化与 1:N 比对

关键词:.NET 8 / FaceRecognitionDotNet / dlib / 128 维特征 / 反射 / 依赖注入

适用场景:中小型系统里的人脸录入与 1:N 身份识别(考勤、门禁、签到、人员核验)


一、需求背景

业务上需要一个很朴素的能力:

  1. 录入(Enroll):上传一张人脸照片 + 姓名,把人脸"存下来";
  2. 识别(Recognize):再传一张照片,告诉我是"库里的谁",顺便给个置信度。

听起来简单,但真做起来会遇到三个坑:

  • 模型加载极慢,绝不能每次请求都 Create 一次;
  • dlib 的人脸特征对象 FaceEncoding 没有公开构造函数,存进数据库之后不知道怎么还原;
  • 缓存 / 数据库里存什么格式、阈值定多少、并发怎么控。

下面这套实现全部踩过一遍,直接给你能跑的版本。


二、技术选型与原理

FaceRecognitionDotNet 是 dlib 的 .NET 封装,识别流程和 Python 的 face_recognition 完全一致:
#mermaid-svg-39TTwy9FO8CCvkIh{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-39TTwy9FO8CCvkIh .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-39TTwy9FO8CCvkIh .error-icon{fill:#552222;}#mermaid-svg-39TTwy9FO8CCvkIh .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-39TTwy9FO8CCvkIh .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-39TTwy9FO8CCvkIh .marker{fill:#333333;stroke:#333333;}#mermaid-svg-39TTwy9FO8CCvkIh .marker.cross{stroke:#333333;}#mermaid-svg-39TTwy9FO8CCvkIh svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-39TTwy9FO8CCvkIh p{margin:0;}#mermaid-svg-39TTwy9FO8CCvkIh .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-39TTwy9FO8CCvkIh .cluster-label text{fill:#333;}#mermaid-svg-39TTwy9FO8CCvkIh .cluster-label span{color:#333;}#mermaid-svg-39TTwy9FO8CCvkIh .cluster-label span p{background-color:transparent;}#mermaid-svg-39TTwy9FO8CCvkIh .label text,#mermaid-svg-39TTwy9FO8CCvkIh span{fill:#333;color:#333;}#mermaid-svg-39TTwy9FO8CCvkIh .node rect,#mermaid-svg-39TTwy9FO8CCvkIh .node circle,#mermaid-svg-39TTwy9FO8CCvkIh .node ellipse,#mermaid-svg-39TTwy9FO8CCvkIh .node polygon,#mermaid-svg-39TTwy9FO8CCvkIh .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-39TTwy9FO8CCvkIh .rough-node .label text,#mermaid-svg-39TTwy9FO8CCvkIh .node .label text,#mermaid-svg-39TTwy9FO8CCvkIh .image-shape .label,#mermaid-svg-39TTwy9FO8CCvkIh .icon-shape .label{text-anchor:middle;}#mermaid-svg-39TTwy9FO8CCvkIh .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-39TTwy9FO8CCvkIh .rough-node .label,#mermaid-svg-39TTwy9FO8CCvkIh .node .label,#mermaid-svg-39TTwy9FO8CCvkIh .image-shape .label,#mermaid-svg-39TTwy9FO8CCvkIh .icon-shape .label{text-align:center;}#mermaid-svg-39TTwy9FO8CCvkIh .node.clickable{cursor:pointer;}#mermaid-svg-39TTwy9FO8CCvkIh .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-39TTwy9FO8CCvkIh .arrowheadPath{fill:#333333;}#mermaid-svg-39TTwy9FO8CCvkIh .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-39TTwy9FO8CCvkIh .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-39TTwy9FO8CCvkIh .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-39TTwy9FO8CCvkIh .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-39TTwy9FO8CCvkIh .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-39TTwy9FO8CCvkIh .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-39TTwy9FO8CCvkIh .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-39TTwy9FO8CCvkIh .cluster text{fill:#333;}#mermaid-svg-39TTwy9FO8CCvkIh .cluster span{color:#333;}#mermaid-svg-39TTwy9FO8CCvkIh div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-39TTwy9FO8CCvkIh .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-39TTwy9FO8CCvkIh rect.text{fill:none;stroke-width:0;}#mermaid-svg-39TTwy9FO8CCvkIh .icon-shape,#mermaid-svg-39TTwy9FO8CCvkIh .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-39TTwy9FO8CCvkIh .icon-shape p,#mermaid-svg-39TTwy9FO8CCvkIh .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-39TTwy9FO8CCvkIh .icon-shape .label rect,#mermaid-svg-39TTwy9FO8CCvkIh .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-39TTwy9FO8CCvkIh .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-39TTwy9FO8CCvkIh .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-39TTwy9FO8CCvkIh :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
图片 Bitmap
FaceLocations

HOG/CNN 人脸检测
FaceEncodings

68 关键点对齐 + ResNet
128 维 double 向量
欧氏距离比对
距离 < 阈值?
命中该人员
未知人员

核心结论:一张人脸 = 一个 128 维向量 。识别不是"图像相似度",而是"向量空间里的欧氏距离"。距离越小越像,dlib 官方建议阈值 0.6。

所以持久化时我们根本不需要存图片,只存这 128 个 double 就够了------这也是本方案能做到毫秒级比对的原因。


三、环境准备

3.1 NuGet 包

xml 复制代码
<PackageReference Include="FaceRecognitionDotNet" Version="1.0.7.7" />
<PackageReference Include="DlibDotNet" Version="19.21.0.2" />
<PackageReference Include="System.Drawing.Common" Version="8.0.0" />

DlibDotNet 的 native 运行库(DlibDotNetNative.dll 等)会随包一起还原,Windows x64 开箱可用。

3.2 下载 dlib 模型文件

去 http://dlib.net/files/ 下载并放到项目的 models 目录(4 个文件一个都不能少):

文件名 用途
shape_predictor_5_face_landmarks.dat 5 点关键点(快速对齐)
shape_predictor_68_face_landmarks.dat 68 点关键点(主用)
mmod_human_face_detector.dat CNN 人脸检测器
dlib_face_recognition_resnet_model_v1.dat ResNet 特征提取(输出 128 维)

在 .csproj 里配置"复制到输出目录",否则运行时上班目录(bin/Debug/net8.0/models)是空的:

xml 复制代码
<ItemGroup>
  <None Update="models\**\*">
    <CopyToOutputDirectory>PreserveNewest</CopyToOutputDirectory>
  </None>
</ItemGroup>

四、第一步:注册为单例(关键)

csharp 复制代码
// 注意:FaceRecognition 创建时很消耗资源,并且需要加载模型,必须注册为单例 (Singleton)
builder.Services.AddSingleton<FaceRecognition>(sp =>
{
    // 确保 "models" 文件夹存在于程序的运行目录(bin/Debug/net8.0)下
    // 如果路径不对,Create 方法会抛出异常,导致 DI 失败
    var modelPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "models");
    return FaceRecognition.Create(modelPath);
});

为什么必须是 Singleton?

FaceRecognition.Create() 内部会做两件事:

  1. 把 .dat 模型文件反序列化成 dlib 的 C++ 对象(ShapePredictor、Anet、ResNet 权重);
  2. 建立 native 内存句柄。

这个过程是 秒级 的,而且占用几十到上百 MB 内存。如果注册成 Scoped(ASP.NET Core 里最容易犯的错),每个 HTTP 请求都会重新加载一遍模型------轻则接口 3 秒起步,重则内存直接打满、OutOfMemoryException。

顺手再强调两个点:

  • FaceRecognition 是线程安全的(内部无可变共享状态),单例可以并发调用;
  • 但它 CPU 密集 ,高并发下建议用 SemaphoreSlim 限流(见第九节),别让线程池被拖死。

五、第二步:定义人员实体与存储格式

csharp 复制代码
// 人员实体
public class Person
{
    public string Id { get; set; }
    public string Name { get; set; }
    // 存储 128 维特征向量的 JSON 序列化字符串
    public string FaceEncodingJson { get; set; }
}

FaceEncodingJson 存的内容长这样,就是一段纯数组:

json 复制代码
[0.123,-0.0456,0.0789, ... ,0.0012]

别存图片、别存 Base64、别存 byte\[\]。128 × 8 字节 = 1KB,一个人的特征占 1KB 左右,10000 人也才 10MB,随便放哪儿都行。


六、第三步:录入(Enroll)------把 FaceEncoding 变成可存储的 JSON

csharp 复制代码
public async Task<APIResult> Enroll(RecognizeRequest request)
{
    // 1. 处理图片(去掉 data:image/jpg;base64, 前缀后转 Bitmap)
    var base64Data = ImgHelper.GetBase64String(request.ImageBase64);
    byte[] imageBytes = Convert.FromBase64String(base64Data);

    using var ms = new MemoryStream(imageBytes);
    using var bitmap = new Bitmap(ms);

    // 包一层 dlib 的 Image,注意 using(native 资源)
    using var image = FaceRecognition.LoadImage(bitmap);

    // 2. 找脸
    var locations = _faceRecognition.FaceLocations(image).ToArray();
    if (locations.Length == 0) return APIResult.Error("没找到脸");

    // 3. 提取特征
    var encodings = _faceRecognition.FaceEncodings(image, locations).ToArray();
    using var targetEncoding = encodings[0];

    // 4. ★★★ 关键所在:生成 FaceEncodingJson ★★★
    // 先拿到 128 维数组
    double[] rawData = targetEncoding.GetRawEncoding();
    // 把数组序列化成 JSON 字符串,例如变成 "[0.123, 0.456, 0.789, ...]"
    string jsonString = JsonSerializer.Serialize(rawData);

    // 5. 存入缓存 / 数据库(此时 FaceEncodingJson 字段就有值了)
    var person = new Person
    {
        Id = Guid.NewGuid().ToString("N"), // ← 注意:一定要生成 Id,否则识别结果里 personId 永远是 null
        Name = request.Name,               // 比如 "张三"
        FaceEncodingJson = jsonString      // 这里存的就是上面生成的字符串
    };

    var list = await App.Cache.GetAsync<List<Person>>("rlsb") ?? new List<Person>();
    list.Add(person);
    await App.Cache.SetAsync("rlsb", list, TimeSpan.FromDays(1));

    // _dbContext.Persons.Add(person);
    // _dbContext.SaveChanges();

    return APIResult.Success("录入成功");
}

这里唯一的"知识点"就是 GetRawEncoding():它是 FaceEncoding 暴露出来的唯一一个导出接口 ,把内部 Matrix<double> 拉平成 double[128]。

如果你的 FaceRecognitionDotNet 版本比较老、没有这个方法,可以反射读私有字段(字段名在不同版本里可能是 _Matrix 或 Matrix):

csharp 复制代码
var field = typeof(FaceEncoding).GetField("_Matrix", BindingFlags.NonPublic | BindingFlags.Instance)
         ?? typeof(FaceEncoding).GetField("Matrix",  BindingFlags.NonPublic | BindingFlags.Instance);
var matrix = (Matrix<double>)field.GetValue(targetEncoding);
double[] rawData = matrix.ToArray();

七、第四步:识别(Recognize)------用反射重建 FaceEncoding

这才是整篇文章最"脏"也最有价值的部分。

7.1 为什么必须反射?

FaceEncoding 这个类型的设计是只出不进:

  • 公开 API 里只有 FaceEncodings(image, locations) 能从图片造出它;
  • 没有任何 new FaceEncoding(double[]) 或 FromArray() 之类的入口;
  • 它的构造函数是 internal 的:internal FaceEncoding(Matrix<double> matrix)。

也就是说,你想把落库的 128 维数组还原成 FaceEncoding 对象,再用官方的 FaceDistance() 比对,反射是唯一的路。

7.2 反射重建代码

csharp 复制代码
/// <summary>
/// 通过反射,从 DlibDotNet 的 Matrix 重建 FaceEncoding
/// </summary>
public FaceEncoding CreateFaceEncodingByReflection(Matrix<double> matrix)
{
    // 1. 获取 FaceEncoding 的类型
    var faceEncodingType = typeof(FaceEncoding);

    // 2. 查找那个接受 Matrix<double> 的私有构造函数
    var constructor = faceEncodingType.GetConstructor(
        BindingFlags.NonPublic | BindingFlags.Instance,
        null,
        new[] { typeof(Matrix<double>) },
        null);

    if (constructor == null)
    {
        throw new MissingMethodException("未找到 FaceEncoding 的私有构造函数。");
    }

    // 3. 调用构造函数,创建实例
    return (FaceEncoding)constructor.Invoke(new object[] { matrix });
}

7.3 1:N 比对主流程

csharp 复制代码
public async Task<APIResult> Recognize(RecognizeRequest request)
{
    // 1. 图片预处理
    var base64Data = ImgHelper.GetBase64String(request.ImageBase64);
    byte[] imageBytes = Convert.FromBase64String(base64Data);

    using var ms = new MemoryStream(imageBytes);
    using var bitmap = new Bitmap(ms);
    using var image = FaceRecognition.LoadImage(bitmap);

    // 2. 检测人脸并获取特征编码(128 维向量)
    var faceLocations = _faceRecognition.FaceLocations(image).ToArray();
    if (faceLocations.Length == 0)
        return APIResult.Error("照片中未检测到人脸");
    if (faceLocations.Length > 1)
        return APIResult.Error("照片中检测到多个人脸,请确保只传一人");

    // 3. 提取传进来的人脸特征
    var targetEncodings = _faceRecognition.FaceEncodings(image, faceLocations).ToArray();
    var targetEncoding = targetEncodings.FirstOrDefault();
    if (targetEncoding == null)
        return APIResult.Error("无法提取人脸特征");

    // 4. 从数据库 / 缓存中获取系统中所有人脸特征
    var allPersons = await App.Cache.GetAsync<List<Person>>("rlsb") ?? new List<Person>();

    // 5. 遍历比对,计算相似度
    double bestDistance = double.MaxValue;
    Person bestMatchPerson = null;

    // 常用阈值:0.6(dlib 官方);0.45 更严格,误识率更低
    const double Tolerance = 0.45;

    foreach (var person in allPersons)
    {
        if (string.IsNullOrWhiteSpace(person.FaceEncodingJson)) continue;

        // 反序列化并比对
        double[] rawData = JsonSerializer.Deserialize<double[]>(person.FaceEncodingJson);
        if (rawData is null || rawData.Length != 128) continue;

        // 包装成 Matrix,注意:不要把 matrix 用 using 包起来(所有权已转移给 FaceEncoding)
        var matrix = new Matrix<double>(rawData, rawData.Length, 1);
        using var knownEncoding = CreateFaceEncodingByReflection(matrix);

        // 计算两张人脸的欧氏距离
        var distance = FaceRecognition.FaceDistance(targetEncoding, knownEncoding);

        if (distance < Tolerance && distance < bestDistance)
        {
            bestDistance = distance;
            bestMatchPerson = person;
        }
    }

    // 6. 返回结果
    if (bestMatchPerson != null)
    {
        // 距离越小,置信度越高(简单线性映射,仅用于展示)
        double confidence = Math.Round(1.0 - (bestDistance / Tolerance), 2);

        return new APIResult
        {
            data = new
            {
                isSuccess = true,
                personId = bestMatchPerson.Id,
                personName = bestMatchPerson.Name,
                confidence,
                message = "识别成功"
            }
        };
    }

    return APIResult.Error("未匹配到系统中的人员");
}

八、踩坑清单(这一节最值钱)

坑 1:Matrix<double> 不能用 using

csharp 复制代码
// ❌ 错误:matrix 会被提前释放,FaceEncoding 内部持有的是野指针
using var matrix = new Matrix<double>(rawData, rawData.Length, 1);
using var encoding = CreateFaceEncodingByReflection(matrix);

// ✅ 正确:所有权转移给 FaceEncoding,由它统一释放
var matrix = new Matrix<double>(rawData, rawData.Length, 1);
using var encoding = CreateFaceEncodingByReflection(matrix);

FaceEncoding 的构造函数会接管 Matrix 的所有权,FaceEncoding.Dispose() 内部会连带释放 Matrix。如果你再 using 一次 Matrix,就是 double free ,表现为随机崩溃或 AccessViolationException------这种 bug 极难排查。

坑 2:Enroll 忘了给 Id 赋值

原版代码里 Person 只赋了 Name 和 FaceEncodingJson,Id 是 null。结果就是识别明明成功了,前端拿到的 personId 却是 null,业务层直接炸。录入时必须 Id = Guid.NewGuid().ToString("N")。

坑 3:阈值 0.45 和 0.6 的取舍

阈值 误识率 FAR 拒识率 FRR 适用场景
0.6 偏高 低 相册聚类、宽松查找
0.5 中 中 大多数业务(推荐起点)
0.45 低 偏高 门禁、考勤、身份核验(宁拒不错)

不要迷信单一阈值。正确做法是拿你自己业务的照片(不同光照、角度、眼镜、口罩)跑一批样本,画 FAR/FRR 曲线再定。1:N 场景下 N 越大,越要往严了调。

坑 4:System.Drawing.Bitmap 的跨平台限制

System.Drawing.Common 在 .NET 6+ 已 仅支持 Windows 。部署到 Linux 容器会抛 PlatformNotSupportedException。Linux 上的替代方案:

csharp 复制代码
// 用 ImageSharp 解码,再交给 dlib
using var image = SixLabors.ImageSharp.Image.Load<Rgb24>(imageBytes);
using var bmp = new Bitmap(image.Width, image.Height, PixelFormat.Format24bppRgb);
// ... 逐像素拷贝(或用 FaceRecognition.LoadImage(byte[]) 重载)

坑 5:缓存版"数据库"的三个隐患

示例里用 App.Cache 存人员列表,上线前请务必替换:

隐患 后果 解法
TimeSpan.FromDays(1) 过期 第二天所有人脸数据凭空消失 落库(SQLite / MySQL / PostgreSQL)
读-改-写无锁 并发录入互相覆盖,丢数据 分布式锁 / 数据库事务
多实例部署 各节点缓存不一致 集中存储 + 本地只读缓存

坑 6:FaceLocations 的第二个参数

csharp 复制代码
_faceRecognition.FaceLocations(image)              // 默认 upsample = 1
_faceRecognition.FaceLocations(image, 2)           // 远处的小脸能检测到,但慢 3~4 倍
_faceRecognition.FaceLocations(image, 0)           // 大脸场景,最快

默认 HOG 检测器对 小于 80×80 像素 的人脸基本无能为力。如果业务是"手机自拍/证件照",默认值够用;如果是"监控画面远端人脸",就得加大 upsample 或改用 FaceDetectorModels.Cnn。


九、生产化改造建议

9.1 更优雅的方案:根本不需要反射

说到底,FaceDistance 干的事情就是两向量欧氏距离:

csharp 复制代码
private static double EuclideanDistance(double[] a, double[] b)
{
    if (a.Length != b.Length) throw new ArgumentException("特征维度不一致");
    double sum = 0;
    for (int i = 0; i < a.Length; i++)
    {
        double d = a[i] - b[i];
        sum += d * d;
    }
    return Math.Sqrt(sum);
}

那么整个识别流程可以简化成:只保留 query 一张图的 FaceEncoding,库里所有人都直接拿 double[] 算距离。

收益非常明显:

  • 彻底摆脱反射(不再受内部构造函数改名、字段改名影响);
  • 省掉每次循环 new 一个 Matrix + FaceEncoding 的 native 分配与释放,1:N 场景下性能提升 5~10 倍;
  • 代码可测试、可移植,甚至能把比对丢到 SIMD / GPU 或向量数据库里。
csharp 复制代码
var queryRaw = targetEncoding.GetRawEncoding();   // 只算一次

foreach (var person in allPersons)
{
    var raw = JsonSerializer.Deserialize<double[]>(person.FaceEncodingJson);
    var distance = EuclideanDistance(queryRaw, raw);
    // ...
}

结论:反射方案适合"我想用官方 API 保证行为一致",纯数组方案适合"我要性能和稳定"。两者结果数值上完全一致(同一套浮点运算),可以放心替换。

9.2 并发限流

dlib 是纯 CPU 计算,10 个并发请求就能把 8 核机器打满,然后整站接口一起变慢。用一个全局信号量兜住:

csharp 复制代码
private static readonly SemaphoreSlim Gate = new(Environment.ProcessorCount);

public async Task<APIResult> Recognize(RecognizeRequest request)
{
    await Gate.WaitAsync();
    try
    {
        // 上面的识别逻辑
    }
    finally
    {
        Gate.Release();
    }
}

9.3 特征缓存到内存

如果人员库不大(< 5000)且变更不频繁,可以把 double[] 在启动时一次性加载进 ConcurrentDictionary<string, double[]>,比对时零反序列化开销。

9.4 数据量上来之后

线性扫全库是 O(N)。N 超过 1 万以后,单次识别要几百毫秒。此时应该上 向量索引:

  • pgvector(PostgreSQL 扩展,最省事)
  • Milvus / Qdrant(专业向量库)
  • Faiss(本地索引,适合单机)

9.5 别忘了安全和合规

  • 人脸是生物识别信息 ,属于《个人信息保护法》里的敏感个人信息,必须单独告知 + 单独同意;
  • 建议只存特征向量、不存原图;特征不可逆,泄露风险远低于照片;
  • 线上一定要加 活体检测(眨眼/张嘴/动作指令),否则一张打印照片就能骗过整套系统。

十、完整接口定义

csharp 复制代码
public interface IAgentAIService
{
    Task<APIResult> Enroll(RecognizeRequest request);
    Task<APIResult> Recognize(RecognizeRequest request);
}

public class RecognizeRequest
{
    /// <summary>带前缀的 Base64,如 data:image/jpeg;base64,/9j/4AAQ...</summary>
    public string ImageBase64 { get; set; }
    /// <summary>录入时使用</summary>
    public string Name { get; set; }
}

/// <summary>
/// 获取真正的图片 base64 数据
/// 即去掉 data:image/jpg;base64, 这样的格式
/// </summary>
public static class ImgHelper
{
    public static string GetBase64String(string base64UrlStr)
    {
        const string pattern = "^(data:image/.*?;base64,).*?$";
        var match = Regex.Match(base64UrlStr, pattern);
        if (match.Groups.Count > 1)
            base64UrlStr = base64UrlStr.Replace(match.Groups[1].ToString(), "");
        return base64UrlStr;
    }
}

关于 GetBase64String 有个小建议:match.Groups.Count > 1 这个判断在没有匹配 时也是 1(只有 Group 0),所以逻辑是对的;但更稳的写法是判断 match.Success:

csharp 复制代码
if (match.Success) base64UrlStr = base64UrlStr[match.Groups[1].Length..];

Substring 比 Replace 安全------万一 Base64 正文里恰好出现同样的前缀字符串,Replace 会把正文也削掉。


十一、总结

要点 一句话
DI 注册 必须 Singleton,模型加载是秒级 + 上百 MB
持久化 只存 128 维 double[] 的 JSON,1KB/人
还原 FaceEncoding 构造函数是 internal,只能反射
更优解 自己写欧氏距离,绕过反射,性能提升数倍
阈值 门禁类业务 0.45,检索类 0.6,别拍脑袋定
释放 Matrix 交给 FaceEncoding 管,千万别重复 using
合规 人脸是敏感个人信息,存特征不存图,上线配活体

整套逻辑不到 200 行,真正难的不是"调用库",而是上面这七个细节。希望对正在做同类需求的同学少踩两个坑。

有问题欢迎评论区交流,尤其是阈值调参 和跨平台部署这两块,踩过的坑最多。

相关推荐
码事漫谈5 小时前
当公司不久后变成冒险者公会,我担心什么
后端
Csvn6 小时前
Nginx 负载均衡进阶与健康检查:哈希、keepalive 池与 DNS 自愈
后端·nginx
皮皮林5517 小时前
京东又开源一款新框架,用起来真优雅!
后端
学长毕设7 小时前
基于SpringBoot智慧养老服务平台设计与实现-附源码
java·spring boot·后端
行百里er10 小时前
【Spring Insight 技术分享】跨服务调用链路是怎么串起来的?
后端·spring·开源
火山引擎和TA的超级拍档们10 小时前
产品情报局 11 | AI 数据湖 LAS:打造大模型时代多模态数据底座
前端·后端
源动力技术栈10 小时前
C# 集合类型全览:从 List<T> 到 FrozenDictionary,配一组实测数据
后端
aleimu10 小时前
Windows 11 右键打开 Cmder 2.0:从找不到菜单到默认使用 Cmder
前端·人工智能·后端
货拉拉技术11 小时前
AI Agent 如何进入实时交易系统:货拉拉的三个实践与一套工程方法论
后端·架构·agent
我是谁的程序员11 小时前
iOS 性能分析在 Windows 上怎么做,用 KXBuild 的 kxdevice 替代 Instruments
后端·ios