摘要：最近有合作公司的項目需要服務端人臉識別的開發，于是就用了公司的人臉識別開發，由于之前對服務端開發介紹的資料比較少，正好這次又做了這個項目，花了幾天的開發，這里就簡單分享一下個人的見解。

最近有合作公司的項目需要服務端人臉識別的開發，于是就用了公司的人臉識別SDK開發，由于之前對服務端開發介紹的資料比較少，正好這次又做了這個項目，花了幾天的開發，這里就簡單分享一下個人的見解。

人臉檢測接口就是可以把一張圖片的人臉照片圖， 經過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模式對于人臉檢測準確率比較高，但性能沒有video模式高。video模式適用于在視頻流模式下，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，所以在30幀的視頻中，可以輕松的對每幀進行人臉檢測。

特征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，一個特征占用1032字節，特征提取要花100-150毫秒，所以每幀都做特征提取是不可行的，但借助TrackID，可以做到一張人臉只要提取一次人臉特征。

人臉比對即特征比對，對兩張人臉照片圖分別提取特征，然后進行比較，獲取相似度。該比對的時間是微妙級的，但在實際的應用過程中，往往是幾千個特征甚至幾萬個特征進行比對，所以處理時間要成倍的增加。假設處理一個特征需要3微妙，那么在5萬的特征庫中進行比較，時間就是3*50000=150毫秒

無感是永遠的痛
人臉識別經常用在一些實時性比較高的場合，比如門禁這類系統，客戶往往要求我們要“無感”通過。這些實時性高的系統，通常利用網絡傳輸視頻流，服務器來處理再反饋結果，如果沒有在網絡，內存，CPU上做足夠的優化，往往帶來的就是延遲高，響應慢。
光看上面文字，大家可能沒什么印象。咱們還是來一張圖，一起來直觀的感受一下耗時分析

咱們來算算，假設100個設備，每秒鐘30幀的照片，每幀100K，那么每秒鐘有多少流量？每分鐘有多少？每天呢？
按照標準的算法，每個設備每秒鐘流量：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，也就是每天有T級別流量
哇，這么一算，一般的服務器和網絡怎么受得了
老規矩，咱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征提取，服務器特征比對，排序，結果輸出。
全部交給服務器處理，服務器壓力太了，讓客戶端分擔點吧 。

優化后...


把人臉檢測和特征提取全放客戶端，客戶端每次上傳人臉特征，服務端做特征比對、排序，結果輸出。