防档弹幕，即大量弹幕飘过，但不会遮挡视频画面中的人物，看起来像是从人物背后飘过去的。

前言

mediapipe demo展示

机器学习已经火了好几年了，但很多人的直觉仍然是前端实现不了这些能力，期望本文能打破一些“思维禁区”。

# 主流实现原理介绍

# 点播

up 上传视频
服务器后台计算提取视频画面中的人像区域，转换成 svg 存储
客户端播放视频的同时，从服务器下载 svg 与弹幕合成，人像区域不显示弹幕

# 直播

主播推流时，实时（主播设备）从画面提取人像区域，转换成 svg
将 svg 数据合并到视频流中（SEI），推流至服务器
客户端播放视频同时，从视频流中（SEI）解析出 svg
将 svg 与弹幕合成，人像区域不显示弹幕

# 本文实现方案

客户端播放视频同时，实时从画面提取人像区域信息
将人像区域信息导出成图片，与弹幕合成，人像区域不显示弹幕

# 实现原理

采用机器学习开源库从视频画面实时提取人像轮廓，如Body Segmentation
将人像轮廓转导出为图片，设置弹幕层的 mask-image

# 面临的问题

由官方demo转换成工程实践，并非调一下API就行了，最大的挑战就是——性能。

一开始我也不敢相信实时计算，能将 CPU 占用优化到 5% 左右（2020 M1 Macbook）
甚至低于主流实现中，单在客户端上的性能损耗（解析 svg，与弹幕合成）

------------------------------ 正片开始，以下是调优过程 ------------------------------

选择机器学习模型

BodyPix X
精确度太差，有很明显的弹幕与面部重合现象

BlazePose X
精确度跟后面的MediaPipe SelfieSegmentation差不多，因为提供了肢体点位信息，CPU 占用相对高出 15% 左右

MediaPipe SelfieSegmentation √
精确度优秀，只提供了人像区域信息，性能取胜

参考官方实现，未做优化的情况下 CPU 占用 70% 左右

const canvas = document.createElement('canvas')
canvas.width = videoEl.videoWidth
canvas.height = videoEl.videoHeight
async function detect (): Promise<void> {
  const segmentation = await segmenter.segmentPeople(videoEl)
  const foregroundColor = { r: 0, g: 0, b: 0, a: 0 }
  const backgroundColor = { r: 0, g: 0, b: 0, a: 255 }

  const mask = await toBinaryMask(segmentation, foregroundColor, backgroundColor)

  await drawMask(canvas, canvas, mask, 1, 9)
  
  handler(canvas.toDataURL('image/png', 0))

  window.setTimeout(detect, 33)
}

detect().catch(console.error)

降低提取频率，平衡性能-体验

一般视频 30FPS，尝试弹幕遮罩（后称 Mask）刷新频率降为 15FPS，体验上还能接受
（再低就影响体验了）

window.setTimeout(detect, 66)

此时，CPU 占用 50% 左右

解决性能瓶颈代码

分析火焰图可发现，性能瓶颈在 toBinaryMask 和 toDataURL

# 重写toBinaryMask

分析源码，结合打印segmentation的信息，发现segmentation.mask.toCanvasImageSource可获取原始ImageBitmap对象，即是模型提取出来的信息。
尝试自行实现将ImageBitmap转换成 Mask 的能力，替换开源库提供的默认实现。

实现原理

async function detect (): Promise<void> {
  const segmentation = await segmenter.segmentPeople(videoEl)

  context.clearRect(0, 0, canvas.width, canvas.height)
  
  context.drawImage(
    
    await segmentation[0].mask.toCanvasImageSource(),
    0, 0,
    canvas.width, canvas.height
  )
  
  context.globalCompositeOperation = 'source-out'
  
  context.fillRect(0, 0, canvas.width, canvas.height)
  
  handler(canvas.toDataURL('image/png', 0)) 

  window.setTimeout(detect, 66)
}

第 2、3 步相当于给人像区域外的内容填充黑色（反向填充ImageBitmap），是为了配合css（mask-image），不然只有当弹幕飘到人像区域才可见（与目标效果正好相反）。
globalCompositeOperation MDN

此时，CPU 占用 33% 左右

# 多线程优化

只剩下toDataURL这个耗时操作了，本以为toDataURL是浏览器内部实现，无法再进行优化了。
虽没有替换实现，但可使用 OffscreenCanvas + Worker，将耗时任务转移到 Worker 中去，避免占用主线程，就不会影响用户体验了。
并且ImageBitmap实现了Transferable接口，可被转移所有权，跨 Worker 传递也没有性能损耗。




const reader = new FileReaderSync()

offsecreenCvsEl.convertToBlob({
  type: 'image/png',
  quality: 0
}).then((blob) => {
  const dataURL = reader.readAsDataURL(blob)
  self.postMessage({
    msgType: 'mask',
    val: dataURL
  })
}).catch(console.error)

可以看到两个耗时的操作消失了
此时，CPU 占用 15% 左右

降低分辨率

继续分析，上图重新计算样式（紫色部分）耗时约 3ms
Demo 足够简单很容易推测到是这行代码导致的，发现 imgStr 大概 100kb 左右（视频分辨率 1280x720）。

danmakuContainer.style.webkitMaskImage = `url(${imgStr})`

优化实现


danmakuContainer.style.webkitMaskSize = '100%, 100%' 

const cvsEl = document.createElement('canvas')

const approWidth = 300
if (videoEl.videoWidth > approWidth) {
  cvsEl.width = approWidth
  
  cvsEl.height = videoEl.videoHeight * approWidth / videoEl.videoWidth
}
const ctx = cvsEl.getContext('2d')

async function detect (): Promise<void> {
  
  ctx.drawImage(videoEl, 0, 0, cvsEl.width, cvsEl.height)
  
  const segmention = await segmenter.segmentPeople(cvsEl)
  
}

优化后，导出的 imgStr 大概 12kb，重新计算样式耗时约 0.5ms。
此时，CPU 占用 5% 左右

启动条件优化

虽然提取 Mask 整个过程的 CPU 占用已优化到可喜程度。
当在画面没人的时候，或没有弹幕时候，可以停止计算，实现 0 CPU 占用。

无弹幕判断比较简单（比如 10s 内收超过两条弹幕则启动计算），也不在该 SDK 实现范围，略过

判定画面是否有人
第一步中为了高性能，选择的模型只有ImageBitmap，并没有提供肢体点位信息。
所以只能使用ImageBitmap来判断是否有人。
画面中的人物大概率是画面中间且是连续的区域，所以从中间开始往左右反复横跳检查像素值，碰到一个alpha通道为零的像素点就表示画面有人。


const dataURL = reader.readAsDataURL(blob)


const hasBody = checkHasBody(ctx)

if (!hasBody) {
  
}

function checkHasBody (ctx): boolean {
  const imgData = ctx.getImageData(0, 0, imgW, imgH)
  
  
  const img = new Uint32Array(imgData.data.buffer)
  const len = img.length
  
  const p = Math.floor(len / 2)
  const maxDistance = Math.floor(len / 2)
  let distance = 0
  while (true) {
    if (distance > maxDistance) return false
    
    
    if (img[p + distance] === 0) return true
    if (img[p - distance] === 0) return true

    
    
    distance += 10
  }
}

画面无人时，CPU 占用接近 0%

发布构建优化

依赖包的体积较大，构建出的 bundle 体积：684.75 KiB / gzip: 125.83 KiB

所以，可以进行异步加载SDK，提升页面加载性能。

分别打包一个 loader，一个主体
由业务方 import loader，首次启用时异步加载主体

这个两步前端工程已经非常成熟了，略过细节。

总结

# 过程

选择高性能模型后，初始状态 CPU 70%
降低 Mask 刷新频率（15FPS），CPU 50%
重写开源库实现（toBinaryMask），CPU 33%
多线程优化，CPU 15%
降低分辨率，CPU 5%
判断画面是否有人，无人时 CPU 接近 0%

CPU 数值指主线程占用

# 注意事项

兼容性：Chrome 79及以上，不支持 Firefox、Safari。因为使用了OffsccenCanvas
不应创建多个或多次创建segmenter实例（bodySegmentation.createSegmenter），如需复用请保存实例引用，因为：
- 创建实例时低性能设备会有明显的卡顿现象
- 会内存泄露；如果无可避免，这是mediapipe 内存泄露解决方法

# 经验

结合业务场景特征进行分析优化，往往有更多的思路和途径
优化完成之后，提取并应用 Mask 关键计算量在 GPU (30%左右)，而不是 CPU
性能优化需要业务场景分析，防档弹幕场景可以使用低分辨率、低刷新率的 mask-image，能大幅减少计算量
该方案其他应用场景：
- 替换/模糊人物背景
- 人像马赛克
- 人像抠图
- 卡通头套，虚拟饰品，如猫耳朵、兔耳朵、带花、戴眼镜什么的（换一个模型，略改）
关注 WebNN 、WebGPU 的进展和应用，端智能将覆盖更多的应用场景

Web 端实时防挡脸弹幕（基于机器学习）

前言