Java服务端人脸识别实战开发优化

最近有合作公司的项目需要服务端人脸识别的开发，于是就用了公司的人脸识别SDK开发，由于之前对服务端开发介绍的资料比较少，正好这次又做了这个项目，花了几天的开发，这里就简单分享一下个人的见解。

影响性能的几个关键点

1、人脸检测

人脸检测接口就是可以把一张图片的人脸照片图， 经过FaceEngine的处理，检测出人人脸框信息。检测模式有两种，image模式和video模式，image模式对于人脸检测准确率比较高，但性能没有video模式高。video模式适用于在视频流模式下，在视频流模式有更快的处理性能和更好的人脸框稳定性。Video模式下，处理一帧图片在10毫秒内，所以在30帧的视频中，可以轻松的对每帧进行人脸检测。

2、特征提取

特征提取是在检测出人脸框的基础上，寻找出该人脸最具特别性的描述，该描述可被传输和保存，在ArcFace2.0中，一个特征占用1032字节，特征提取要花100-150毫秒，所以每帧都做特征提取是不可行的，但借助TrackID，可以做到一张人脸只要提取一次人脸特征。

3、人脸比对

人脸比对即特征比对，对两张人脸照片图分别提取特征，然后进行比较，获取相似度。该比对的时间是微妙级的，但在实际的应用过程中，往往是几千个特征甚至几万个特征进行比对，所以处理时间要成倍的增加。假设处理一个特征需要3微妙，那么在5万的特征库中进行比较，时间就是3*50000=150毫秒

如何应对实时性高的场景

无感是永远的痛
人脸识别经常用在一些实时性比较高的场合，比如门禁这类系统，客户往往要求我们要“无感”通过。这些实时性高的系统，通常利用网络传输视频流，服务器来处理再反馈结果，如果没有在网络，内存，CPU上做足够的优化，往往带来的就是延迟高，响应慢。
光看上面文字，大家可能没什么印象。咱们还是来一张图，一起来直观的感受一下耗时分析

咱们来算算，假设100个设备，每秒钟30帧的照片，每帧100K，那么每秒钟有多少流量？每分钟有多少？每天呢？
按照标准的算法，每个设备每秒钟流量：1*30帧*100KB=3MB
换算到分的话3MB*60秒=16MB/分
1天的话16MB*60分钟*24小时=23040MB/天
100个设备的话23040MB*100=2T/天，也就是每天有T级别流量
哇，这么一算，一般的服务器和网络怎么受得了
老规矩，咱们看图来分析下现状

如上图，照片实时上传到服务器，服务器人脸检测和特征提取，服务器特征比对，排序，结果输出。
全部交给服务器处理，服务器压力太了，让客户端分担点吧 。

优化后...


把人脸检测和特征提取全放客户端，客户端每次上传人脸特征，服务端做特征比对、排序，结果输出。