人脸识别落地两种姿势 完全可以形成业务互补

人脸识别系统虽然不是一个新兴事物，但是放在社会和科技的大背景下依然有新的看点，在GPU集群时代之前，人脸识别依赖的是具备抓拍和识别功能的IPC，或者模拟摄像机+盒子的模式，此时的IPC或者盒子造价高，但是新建部署简单，具有一定的市场。

在大数据时代，在前端完成图像处理被称为“边缘计算”，这一架构再加上后端的业务应用，呈现如下组网方式：

边缘计算模式组网图

随着网络技术的发展，视频实时传输的大面积推广，伴随着GPU服务器的出现，另一种系统架构出现了，那就是利旧普通视频摄像机，采用后端接入GPU服务器进行统一人脸识别与分析的方式，由于对已有视频网络改动小，部署更简单，也具有一定的市场。

这种架构在落地时，图像处理系统与数据分析系统就成了后端“邻居”：

后端集中分析模式组网图

现如今的人脸识别项目在落地时，是向左，采用后端集中分析的方式，还是向右，采用边缘计算的方式，这是每一个从业者都在思考的问题。但 “条条大路通罗马”，边缘计算与后端集群，无论是从技术上还是从业务上，各有优劣。

采用边缘计算的方式，人脸识别和比对均在前端完成，后台只负责任务调度和告警后处理，其优势在于轻量化部署，对传输的要求低，甚至可以做到微波传输，而强大的前端也可以变得更加便携，集成在移动巡逻车上，单兵设备上，甚至民用级无人机上，应用场景被极大的拓展。

其不足在于，前端受体积和功率限制，以目前的科技水平仍无法做到大规模布控和多目标实时比对，FPGA的算力和扩展性毕竟无法与专业GPU计算卡相比，而把专业的GPU计算卡放在前端，数量和功率都将受到极大的限制。所以边缘计算的人脸识别方案更适合于少目标、少接入、小场景、要求机动性的业务场景中应用。

采用后端集群的方式，人脸识别抓拍（不带属性检测）可在前端或后端进行，对人脸图片的分析和结构化均交由后台强大的GPU集群来完成，如此可实现大规模甚至超大规模（百亿级数据）的布控和实时分析，接入视频路数的限制只在于GPU集群的扩展能力，而一般GPU集群都具备强大的横向扩展能力。同时，这一方式对前端摄像机的要求极低（甚至可以采用老旧的模拟摄像机）。在平安城市或智慧社区的改造项目中，采用这种方式可以更好地利旧已有前端，并且继续使用已有视频管理系统，对现网的改动小，易于部署。

但是这种方式的缺点也很明显，即对传输网络要求较高，如果采用普通视频流摄像机接入，视频网络的压力非常大。同时，后端处理的方式受限于GPU集群的硬件环境，不具备机动性。因此，后端集群的人脸识别方案适合于海量目标、海量接入、海量数据、多场景、不要求机动性的业务场景中应用。

在如今的安防市场，这两种方案均有其适合的生存土壤和空间，且完全可以形成业务互补。