最近有合作公司的專案需要服務端人臉識別的開發，於是就用了公司的人臉識別SDK開發，由於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專案，花了幾天的開發，這裡就簡單分享一下個人的見解。
###影響效能的幾個關鍵點
####1、人臉檢測
人臉檢測介面就是可以把一張圖片的人臉照片圖， 經過FaceEngine的處理，檢測出人人臉框資訊。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，但效能沒有video模式高。video模式適用於在視訊流模式下，在視訊流模式有更快的處理效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幀的視訊中，可以輕鬆的對每幀進行人臉檢測。
####2、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，該描述可被傳輸和儲存，在ArcFace2.0中，一個特徵佔用1032位元組，特徵提取要花100-150毫秒，所以每幀都做特徵提取是不可行的，但藉助TrackID，可以做到一張人臉只要提取一次人臉特徵。
####3、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，然後進行比較，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，往往是幾千個特徵甚至幾萬個特徵進行比對，所以處理時間要成倍的增加。假設處理一個特徵需要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，通常利用網路傳輸視訊流，伺服器來處理再反饋結果，如果沒有在網路，記憶體，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，大家可能沒什麼印象。我們們還是來一張圖，一起來直觀的感受一下耗時分析
我們們來算算，假設100個裝置，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？每天呢？
按照標準的演算法，每個裝置每秒鐘流量：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個裝置的話23040MB*100=2T/天，也就是每天有
T級別流量
哇，這麼一算，一般的伺服器和網路怎麼受得了
老規矩，我們們看圖來分析下現狀
如上圖，照片實時上傳到伺服器，伺服器人臉檢測和特徵提取，伺服器特徵比對，排序，結果輸出。
全部交給伺服器處理，伺服器壓力太了，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，服務端做特徵比對、排序，結果輸出。