虹軟人臉識別SDK - Java服務端的那些事

最近有合做公司的項目須要服務端人臉識別的開發，因而就用了公司的人臉識別SDK開發，因爲以前對服務端開發介紹的資料比較少，正好此次又作了這個項目，花了幾天的開發，這裏就簡單分享一下我的的看法。

影響性能的幾個關鍵點

一、人臉檢測

人臉檢測接口就是能夠把一張圖片的人臉照片圖， 通過FaceEngine的處理，檢測出人人臉框信息。檢測模式有兩種，image模式和video模式，image模式對於人臉檢測準確率比較高，但性能沒有video模式高。video模式適用於在視頻流模式下，在視頻流模式有更快的處理性能和更好的人臉框穩定性。Video模式下，處理一幀圖片在10毫秒內，因此在30幀的視頻中，能夠輕鬆的對每幀進行人臉檢測。

二、特徵提取

特徵提取是在檢測出人臉框的基礎上，尋找出該人臉最具特別性的描述，該描述可被傳輸和保存，在ArcFace2.0中，一個特徵佔用1032字節，特徵提取要花100-150毫秒，因此每幀都作特徵提取是不可行的，但藉助TrackID，能夠作到一張人臉只要提取一次人臉特徵。

三、人臉比對

人臉比對即特徵比對，對兩張人臉照片圖分別提取特徵，而後進行比較，獲取類似度。該比對的時間是微妙級的，但在實際的應用過程當中，每每是幾千個特徵甚至幾萬個特徵進行比對，因此處理時間要成倍的增長。假設處理一個特徵須要3微妙，那麼在5萬的特徵庫中進行比較，時間就是3*50000=150毫秒

如何應對實時性高的場景

無感是永遠的痛
人臉識別常常用在一些實時性比較高的場合，好比門禁這類系統，客戶每每要求咱們要「無感」經過。這些實時性高的系統，一般利用網絡傳輸視頻流，服務器來處理再反饋結果，若是沒有在網絡，內存，CPU上作足夠的優化，每每帶來的就是延遲高，響應慢。
光看上面文字，你們可能沒什麼印象。我們仍是來一張圖，一塊兒來直觀的感覺一下耗時分析

我們來算算，假設100個設備，每秒鐘30幀的照片，每幀100K，那麼每秒鐘有多少流量？每分鐘有多少？天天呢？
按照標準的算法，每一個設備每秒鐘流量：1*30幀*100KB=3MB
換算到分的話3MB*60秒=16MB/分
1天的話16MB*60分鐘*24小時=23040MB/天
100個設備的話23040MB*100=2T/天，也就是天天有T級別流量
哇，這麼一算，通常的服務器和網絡怎麼受得了
老規矩，我們看圖來分析下現狀

如上圖，照片實時上傳到服務器，服務器人臉檢測和特徵提取，服務器特徵比對，排序，結果輸出。
所有交給服務器處理，服務器壓力太了，讓客戶端分擔點吧 。

優化後...


把人臉檢測和特徵提取全放客戶端，客戶端每次上傳人臉特徵，服務端作特徵比對、排序，結果輸出。