人脸识别服务器主要包括人脸底库管理和识别算法管理

产品原型

简化的产品原型中包括识别前端和识别服务器两部分。

识别前端承担人脸照片采集和识别结果反馈职责，是面向用户交互的入口。目前主流的产品形态包括人脸考勤机、人证核验终端和人脸识别闸机等。

人脸识别服务器主要包括人脸底库管理和识别算法管理，并基于产品特点包含对应的业务模块，如考勤报表、预警记录等，实现基本的业务闭环。

目前的产品原型，已有了基本框架，但系统需求和设计较简单，无容错能力，用户体验较差，离可用有较大的差距，需要继续对需求深化和细化。

人脸识别在实际使用中可能出现以下情况：

• 采集到的人脸照片角度、大小等和预设的人脸底库不一致，系统无法辨识；
• 采集的人脸照片和人脸底库像素不一致，系统无法进行相似度计算；
• 环境、灯光等干扰造成成像质量较差，导致漏识别、误识别;
• 比对速度较慢，精准度不够，用户使用抱怨多。

二、解决思路

在产品研发过程中，经常会出现这种产品实际体验和预设体验不一致的状况。当发生这种情况时，需要认真分析原因，理顺解决思路，不断对产品迭代升级。

上面的问题其实可以分为两类：

第一类是因为环境、距离、角度等因素干扰使得采集到的照片和系统底库照片不一致，导致相似度计算有问题；

第二类问题是人脸相似度计算速度太慢、精度偏低。

其中第二种问题一般出现在算法层面，需要协同算法工程师进行算法更新、升级进行解决。

我们将目标聚焦在第一类问题，即待识别照片和识别底库不一致的情况。这种情况下，我们可以分别从采集照片和底库照片两个角度入手，提出针对性的解决思路：

思路一：限制通过前端采集到的照片，保持与人脸底库的一致性。

比如，当强制采集照片和底库都采用身份证照片时，系统比对通过率较高。类似的方法在较早的人脸考勤机中使用，通过限制用户在打卡时的表情、距离、光线等提升精度，并强迫用户通过同样的前端采集并识别人脸，俗称「同源识别」。

强迫用户在人脸打卡时保持姿势固定不动，用户体验很差。目前市面上主流的人脸识别系统均采用「动态识别技术」，不限制用户保持静止，在移动过程中即可完成识别过程，并且不要求采集照片和识别照片同源。

思路二：增加底库中照片的数量，将人员不同角度、环境、距离的照片都录入系统，提高比对的成功率。

这种做法操作难度很大，变量条件过多，基本无法实施。即使系统存储了多张照片，问题没有完全解决，识别精度并没有明显提升，且由于增大了数据量，增加了运算的复杂性，降低运算速度，系统响应时间也相应延长。

既然没有办法限制采集照片和底库照片，在基本不影响精度和速度的前提下，可以在采集和比对之间插入中间环节，对照片进行处理，使得两者尽可能相似。

在人脸识别和其他图像处理领域这是种通用做法，并有专业名称叫做「图像预处理」。不管是在传统的人脸识别系统还是基于深度学习的人脸识别系统中，都少不了这个环节。对原有的系统设计更新如下。

接下来对图像预处理所包含的内容和需求做简单的介绍。