flutter人脸,flutter人脸检测

Flutter浪潮下的音视频研发探索

文/陈炉军

整理/LiveVideoStack

大家好，我是阿里巴巴闲鱼事业部的陈炉军，本次分享的主题是Flutter浪潮下的音视频研发探索，主要内容是针对闲鱼APP在当下流行的跨平台框架Flutter的大规模实践，介绍其在音视频领域碰到的一些困难以及解决方案。

分享内容主要分为四个方面，首先会对Flutter有一个简单介绍以及选择Flutter作为跨平台框架的原因，其次会介绍Flutter中与音视频关系非常大的外接纹理概念，以及对它做出的一些优化。之后会对闲鱼在音视频实践过程中碰到的一些Flutter问题提出了一些解决方案——TPM音视频框架。最后是闲鱼Flutter多媒体开源组件的介绍。

Flutter

Flutter是一个跨平台框架，以往的做法是将音频、视频和网络这些模块都下沉到C++层或者ARM层，在其上封装成一个音视频的SDK，供UI层的PC、iOS和Android调用。

而Flutter做为一个UI层的跨平台框架，顾名思义就是在UI层也实现了一个跨平台开发。可以预想的是未Flutter发展的好的话，会逐渐变为一个从底层到UI层的一个全链路的跨平台开发，技术人员分别负责SDK和UI层的开发。

在Flutter之前已经有很多跨平台UI解决方案，那为什么选择Flutter呢？

我们主要考虑性能和跨平台的能力。

以往的跨平台方案比如Weex，ReactNative，Cordova等等因为架构的原因无法满足性能要求，尤其是在音视频这种性能要求几乎苛刻的场景。

而诸如Xamarin等，虽然性能可以和原生App一致，但是大部分逻辑还是需要分平台实现。

我们可以看一下，为什么Flutter可以实现高性能：

原生的native组件渲染以IOS为例，苹果的UIKit通过调用平台自己的绘制框架QuaztCore来实现UI的绘制，图形绘制也是调用底层的API,比如OpenGL、Metal等。

而Flutter也是和原生API逻辑一致，也是通过调用底层的绘制框架层SKIA实现UI层。这样相当于Flutter他自己实现了一套UI框架，提供了一种性能超越原生API的跨平台可能性。

但是我们说一个框架最终性能怎样，其实取决于设计者和开发者。至于现在到底是一个什么状况：

在闲鱼的实践中，我们发现在正常的开发没有特意的去优化UI代码的情况下，在一些低端机上，Flutter界面的流畅性是比Native界面要好的。

虽然现在闲鱼某些场景下会有卡顿闪退等情况，但是这是一个新事物发展过程中的必然问题，我们相信未来性能肯定不会成为限制Flutter发展的瓶颈的。

在闲鱼实践Flutter的过程中，混合栈和音视频是其中比较难解决的两个问题，混合栈是指一个APP在Flutter过程中不可能一口气将所有业务全部重写为Flutter，所以这是一个逐步迭代的过程，这期间原生native界面与Flutter界面共存的状态就称之为混合栈。闲鱼在混合栈上也有一些比较好的输出，例如FlutterBoost。

外接纹理

在讲音视频之前需要简要介绍一下外接纹理的概念，我们将它称之为是Flutter和Frame之间的桥梁。

Flutter渲染一帧屏幕数据首先要做的是，GPU发出的VC信号在Flutter的UI线程，通过AOT编译的机器码结合当前Dart Runtime，生成Layer Tree UI树，Layer Tree上每一个叶子节点都代表了当前屏幕上所需要渲染的每一个元素，包含了这些元素渲染所需要的内容。将Layer Tree抛给GPU线程，在GPU线程内调用Skia去完成整个UI的渲染过程。Layer Tree中有PictureLayer和TextureLayer两个比较重要的节点。PictureLayer主要负责屏幕图片的渲染，Flutter内部实现了一套图片解码逻辑，在IO线程将图片读取或者从网络上拉取之后，通过解码能够在IO线程上加载出纹理，交给GPU线程将图片渲染到屏幕上。但是由于音视频场景下系统API太过繁多，业务场景过于复杂。Flutter没有一套逻辑去实现跨平台的音视频组件，所以说Flutter提出了一种让第三方开发者来实现音视频组件的方式，而这些音视频组件的视频渲染出口，就是TextureLayer。

在整个Layer Tree渲染的过程中，TextureLayer的数据纹理需要由外部第三方开发者来指定，可以把视频数据和播放器数据送到TextureLayer里，由Flutter将这些数据渲染出来。

TextureLayer渲染过程：首先判断Layer是否已经初始化，如果没有就创建一个Texture，然后将Texture Attach到一个SufaceTexture上。

这个SufaceTexture是音视频的native代码可以获取到的对象，通过这个对象创建的Suface，我们可以将视频数据、摄像头数据解码放到Suface中，然后Flutter端通过监听SufaceTexture的数据更新就可以顺利把刚才创建的数据更新到它的纹理中，然后再将纹理交给SKIA渲染到屏幕上。

然而我们如果需要用Flutter实现美颜，滤镜，人脸贴图等等功能，就需要将视频数据读取出来，更新到纹理中，再将GPU纹理经过美颜滤镜处理后生成一个处理后的纹理。按Flutter提供的现有能力，必须先将纹理中的数据从GPU读出到CPU中，生成Bitmap后再写入Surface中，这样在Flutter中才能顺利的更新到视频数据，这样做对系统性能的消耗很大。

通过对Flutter渲染过程分析，我们知道Flutter底层需要渲染的数据就是GPU纹理，而我们经过美颜滤镜处理完成以后的结果也是GPU纹理，如果可以将它直接交给Flutter渲染，那就可以避免GPU-CPU-GPU这样的无用循环。这样的方法是可行的，但是需要一个条件，就是OpenGL上下文共享。

OpenGL

在说上下文之前，得提到一个和上线文息息相关的概念：线程。

Flutter引擎启动后会启动四个线程：

第一个线程是UI线程，这是Flutter自己定义的UI线程，主要负责GPU发出的VSync信号时候用当前Dart编译的机器码和当前运行环境创建出Layer Tree。

还有就是IO线程和GPU线程。和大部分OpenGL处理解决方案中一样，Flutter也采取一个线程责资源加载，一部分负责资源渲染这种思路。

两个线程之间纹理共享有两种方式。一种是EGLImage(IOS是 CVOpenGLESTextureCache)。一种是OpenGL Share Context。Flutter通过Share Context来实现纹理共享，将IO线程的Context和GPU线程的Context进行Share，放到同一个Share Group下面，这样两个线程下资源是互相可见可以共享的。

Platform线程是主线程，Flutter中有一个很奇怪的设定，GPU线程和主线程共用一个Context。并且在主线程也有很多OpenGL 操作。

这样的设计会给音视频开发带来很多问题，后面会详细说。

音视频端美颜处理完成的OpenGL纹理能够让Flutter直接使用的条件就是Flutter的上下文需要和平台音视频相关的OpenGL上下文处在一个Share Group下面。

由于Flutter主线程的Context就是GPU的Context，所以在音视频端主线程中有一些OpenGL操作的话，很有可能使Flutter整个OpenGL被破坏掉。所以需要将所有的OpenGL操作都限制在子线程中。

通过上述这两个条件的处理，我们就可以在没有增加GPU消耗的前提下实现美颜和滤镜等等功能。

TPM

在经过demo验证之后，我们将这个方案应用到闲鱼音视频组件中，但改造过程中发现了一些问题。

上图是摄像头采集数据转换为纹理的一段代码，其中有两个操作：首先是切进程，将后面的OpenGL操作都切到cameraQueue中。然后是设置一次上下文。然后这种限制条件或者说是潜规则往往在开发过程中容易被忽略的。而这个条件一旦忽略后果就是出现一些莫名其妙的诡异问题极难排查。因此我们就希望能抽象出一套框架，由框架本身实现线程的切换、上下文和模块生命周期等的管理，开发者接入框架以后只需要安心实现自己的算法，而不需要关心这些潜规则还有其他一些重复的逻辑操作。

在引入Flutter之前闲鱼的音视频架构与大部分音视频逻辑一样采用分层架构：

1：底层是一些独立模块

2：SDK层是对底层模块的封装

3：最上层是UI层。

引入Flutter之后，通过分析各个模块的使用场景，我们可以得出一个假设或者说是抽象：音视频应用在终端上可以归纳为视频帧解码之后视频数据帧在各个模块之间流动的过程，基于这种假设去做Flutter音视频框架的抽象。

咸鱼Flutter多媒体开源组件

整个Flutter音视频框架抽象分为管线和数据的抽象、模块的抽象、线程统一管理和上下文同一管理四部分。

管线，其实就是视频帧流动的管道。数据，音视频中涉及到的数据包括纹理、Bit Map以及时间戳等。结合现有的应用场景我们定义了管线流通数据以Texture为主数据，同时可以选择性的添加Bit Map等作为辅助数据。这样的数据定义方式，避免重复的创建和销毁纹理带来的性能开销以及多线程访问纹理带来的一些问题。也满足一些特殊模块对特殊数据的需求。同时也设计了纹理池来管理管线中的纹理数据。

模块：如果把管线和数据比喻成血管和血液，那框架音视频的场景就可以比喻成器官，我们根据模块所在管线的位置抽象出采集、处理和输出三个基类。这三个基类里实现了刚才说的线程切换，上下文切换，格式转换等等共同逻辑，各个功能模块通过集成自这些基类，可以避免很多重复劳动。

线程：每一个模块初始化的时候，初始化函数就会去线程管理的模块去获取自己的线程，线程管理模块可以决定给初始化函数分配新的线程或者已经分配过其他模块的线程。

这样有三个好处：

一是可以根据需要去决定一个线程可以挂载多少模块，做到线程间的负载均衡。第二，多线程并发式能够保证模块内的OpenGL操作是在当前线程内而不会跑到主线程去，彻底避免Flutter的OpenGL 环境被破坏。第三，多线程并行可以充分利用CPU多核架构，提升处理速度。

从Flutter端修改Flutter引擎将Context取出后，根据Context创建上下文的统一管理模块，每一个模块在初始化的时候会获取它的线程，获取之后会调用上下文管理模块获取自己的上下文。这样可以保证每一个模块的上下文都是与Flutter的上下文进行Share的，每个模块之间资源都是共享可见的，Flutter和音视频native之间也是互相共享可见的。

基于上述框架如果要实现一个简单的场景，比如画面实时预览和滤镜处理功能，

1：需要选择功能模块，功能模块包括摄像头模块、滤镜处理模块和Flutter画面渲染模块，

2：需要配置模块参数，比如采集分辨率、滤镜参数和前后摄像头设置等，

3：在创建视频管线后使用已配置的参数创建模块

4：最后管线搭载模块，开启管线就可以实现这样简单的功能。

上图为整个功能实现的代码和结构图。

结合上述音视频框架，闲鱼实现了Flutter多媒体开源组件。

组要包含四个基本组件分别是：

1：视频图像拍摄组件

2：播放器组件

3：视频图像编辑组件

4：相册选择组件

现在这些组件正在走内部开源流程。预计9月份，相册和播放器会实现开源。

后续展望和规划

1：实现开头所说的从底层SDK到UI的全链路的跨端开发。目前底层框架层和模块层都是各个平台各自实现，反而是Flutter的UI端进行了跨平台的统一，所以后续会将底层也按照音视频常用做法把逻辑下沉到C++层，尽可能的实现全链路跨平台。

2：第二部分内容为开源共建，闲鱼开源的内容不仅包括拍摄、编辑组件，还包括了很多底层模块，希望有开发者在基于Flutter开发音视频应用时可以充分利用闲鱼开源出的音视频模块能力，搭建APP框架，开发者只要去负责实现特殊需求模块就可以，尽可能的减少重复劳动。

相关问答

Q1: 大二了，好烦啊，学的网络工程专业，现在也在学web前端开发，感觉都是懵懵懂懂的，不知道那个发展好，

建议大家刚开始学一定要静下心来把基础打好，不要只看视频或者书籍，多动手去实践。正确的前端学习路线：html语法、格式，常用的标签极其作用，理解标签的嵌套，学习使用firefox+firebug或者chrom的调试工具。CSS重点看盒子模型，定位，层级，过渡，动画和 transform。知道原理和规则。大部分工作都是照着设计稿化。掌握上面几个99%还原也不难。接下来重点学习几种常见的布局。学完之后去学flex。最后sass、less，基本就差不多了。千锋软件开发培训课程的授课模式采用全程面授，讲师成本虽高，但是效果却是显著的，和学员面对面沟通，了解到学员在学习过程中遇到的问题，动态地调整授课方式。千锋教育就有线上免费的软件开发公开课，。

HTML、CSS学完可以制作出简单的静态页面。js的执行顺序，基本的编程基础（变量、运算、流程控制、数组、调用函数、自定义函数、对象）、json、js的dom操作、js的事件机制（委托、绑定、监听，冒泡和阻止冒泡，兼容性）了解ajax的xmlhttprequest及其创建方法（多浏览器兼容）、跨域，明白其工作原理，熟悉http协议。js学完可以实现运用js语言为页面增加动态效果，达到用户交互的目的。千锋教育集团目前已与国内4000多家企业建立人才输送合作，与500多所大学建立实训就业合作，每年为各大企业输送上万名移动开发工程师，每年有数十万名学员受益于千锋教育组织的技术研讨会、技术培训课、网络公开课及免费教学视频。

Q2: 苹果在为“人工智能”不停收购， 谁能再做一个谷歌与Facebook在人工智能方面的收购清单？

在通往人工智能的路上，Google一直在不停地买买买。而且Google在人工智能领域的收购其实从2006年就开始了。

DeepMind（2014年1月26日被Google收购）

Deepmind可以说是当下最火的人工智能初创公司，于2014年1月26日被Google收购。

虽然被谷歌收购，但是DeepMind一直是独立运营的，他们的目标是开发能够“独立思考”的软件。为了能够开发这种类型的人工智能软件，DeepMind在海量数据集合的帮助下使用机器学习等技术训练自己的人工智能去完成某些工作任务。

api.ai（2016年9月19日被Google收购）

api.ai的API可以透过语音辨识、意图辨识和上下文语境理解等技术，让电脑理解人类语言并转换为行动，协助开发者打造类似Siri的对话式智慧助理，可用于聊天机器人、App、智慧家电等。

api.ai已经证明他们可以协助开发者设计、开发和不断改进会话式界面。超过6万名开发者正使用API.ai的工具开发会话式体验。api.ai提供了业界领先的会话式用户界面平台，能够协助谷歌指导开发者持续开发优秀的自然语言界面。

Moodstocks（2016年7月6日被Google收购）

Moodstocks公司成立于2008年，作为一个小的创业公司，他们的规模并不大。

Moodstocks公司是以图像识别技术为主，并推出了智能手机的图像识别应用程序Moodstocks Notes。在加入谷歌在巴黎的研发团队之后，他们将继续研发自己的视觉图像识别工具。

Dark Blue Labs（2014年10月23日被Google收购）

Dark Blue Labs是一家深度学习公司，主要从事数据架构以及算法开发工作，被收购后并入DeepMind。

Jetpac（2014年8月17日被Google收购）

总部位于旧金山的Jetpac通过Instagram等社交图片分享工具制作城市导游服务。通过分析食品、装饰和人物图片，Jetpac的软件便可对城市的各种特点进行分析。

Jetpac被收购前有三款智能手机应用，包括一款城市导游助手、一款图片分析器和一款图片探测工具，被收购后并入Picasa中。

Emu（2014年8月6日被Google收购）

Emu是一个类似语音助手Siri但却是“通过文本消息服务的内置助手”。

它整合了类似Siri个人助理的功能，将会根据你的聊天记录，自动执行移动助理的任务。比如自动建立日程、设置时间提醒、甚至还能帮你预定餐馆。

Emu被Google收购后主要用于Google Hangouts以及Google Now中。

Flutter（2013年10月2日被Google收购）

Flutter2010年底由Navneet Dalal和Mehul Nariyawala创办，利用计算机视觉技术结合手势监测识别技术，使得用户可以用简单的手势来操控电脑和移动设备。

Flutter被Google收购后主要应用在Android以及Google X项目中。

Wavii（2013年4月23日被Google收购）

Wavii是一家成立于2009年3月的自然语言处理技术公司，总部位于西雅图。

Wavii主要做的是扫描网络、寻找新闻、然后进行总结，并附上文章来源的全文链接。

Wavii被Google收购后主要应用在Google Knowledge Graph（Google知识图谱）中。

DNNresearch（2013年3月12日被Google收购）

DNNresearch公司是由深度学习大神Geoffrey Hinton与他的两个研究生Alex Krizhevsky和Ilya Sutskever成立。由于谷歌在本次收购中没有获得任何实际的产品或服务，所以本次收购实际上属于人才性收购，收购的主体是为了这三人团队。

Viewdle（2012年10月1日被Google收购）　

Viewdle是一家成立于2006年的乌克兰公司，被收购前主要做的是增强现实和面部识别。

Viewdle曾经推出的应用包括SocialCamera和Third Eye，Social Camera是其推出的首款应用，用户只需通过Faceprint教会你的相机识别好友，此后只要照片中出现了这些好友，SocialCamera就可以自动为他们打上标签。

Viewdle被Google收购后主要应用在Android中。

Clever Sense（2011年12月13日被Google收购）

Clever Sense是本地推荐应用Alfred的开发商。Alfred的独特之处在于它将人工智能和机器算法有机结合，为用户提供个性化的场所推荐，推荐的场所包括附近的餐馆、咖啡厅、酒吧和夜店。

Clever Sense被Google收购后主要应用在Android中。

PittPatt（2011年7月23日被Google收购）

PittPatt是一家由卡耐基梅隆大学孵化的专注于人脸识别和模式识别公司，其开发了一项能在照片、视频和其他媒介之中识别匹配人脸的技术，创造了一系列人脸检测、跟踪和识别的算法。

PittPatt的人脸检测和跟踪的软件开发工具包（SDK）能在照片中确定人脸的位置，在视频中跟踪人脸的移动情况。

PittPatt被Google收购后主要应用在Android中。

SayNow（2011年1月25日被Google收购）

SayNow是一家成立于2005年的语音识别公司，总部位于美国加州帕罗奥托(Palo Alto)市。

SayNow的平台可将语音通讯、一对一通话和集团通话整合到Facebook和Twitter等社交网站，以及Android和iPhone手机应用中。

SayNow被Google收购后主要应用在Google Voice中。

Phonetic Arts（2010年12月3日被Google收购）　

Phonetic Arts公司是一家位于英国的语音合成技术厂商。被Google收购前Phonetic Arts公司的语音合成技术主要用在游戏中，但谷歌希望将该技术用于其电脑声音自动输出系统，以使机器合成的人声更像人类的声音以及更加流利。

Phonetic Arts被Google收购后主要应用在Google Voice和Google Translate中。

Metaweb（2010年7月16日被Google收购）

Metaweb是一家从事语义搜索（Semantic Search）技术开发的风险企业，目标是开发用于Web的语义数据存储的基础结构。

Metaweb被Google收购后主要应用在Google Search中。

Neven Vision（2006年8月15日被Google收购）

这个可以说是Google最早在人工智能领域的收购了，可以追溯到2006年。

Neven Vision是一家图像识别技术公司，其能自动从图片里提取信息、并且辨认图片的内容，被收购前主要应用于手机以及美国政府和执法部门的计量生物学应用中。

Neven Vision被Google收购后主要应用在Picasa以及Google Goggles中。