人臉識別系統(tǒng)雖然不是一個新興事物,但是放在社會和科技的大背景下依然有新的看點,在GPU集群時代之前,人臉識別依賴的是具備抓拍和識別功能的IPC,或者模擬攝像機+盒子的模式,此時的IPC或者盒子造價高,但是新建部署簡單,具有一定的市場。

在大數(shù)據(jù)時代,在前端完成圖像處理被稱為“邊緣計算”,這一架構再加上后端的業(yè)務應用,呈現(xiàn)如下組網(wǎng)方式:

邊緣計算模式組網(wǎng)圖

隨著網(wǎng)絡技術的發(fā)展,視頻實時傳輸?shù)拇竺娣e推廣,伴隨著GPU服務器的出現(xiàn),另一種系統(tǒng)架構出現(xiàn)了,那就是利舊普通視頻攝像機,采用后端接入GPU服務器進行統(tǒng)一人臉識別與分析的方式,由于對已有視頻網(wǎng)絡改動小,部署更簡單,也具有一定的市場。

這種架構在落地時,圖像處理系統(tǒng)與數(shù)據(jù)分析系統(tǒng)就成了后端“鄰居”:

后端集中分析模式組網(wǎng)圖

現(xiàn)如今的人臉識別項目在落地時,是向左,采用后端集中分析的方式,還是向右,采用邊緣計算的方式,這是每一個從業(yè)者都在思考的問題。但 “條條大路通羅馬”,邊緣計算與后端集群,無論是從技術上還是從業(yè)務上,各有優(yōu)劣。

采用邊緣計算的方式,人臉識別和比對均在前端完成,后臺只負責任務調度和告警后處理,其優(yōu)勢在于輕量化部署,對傳輸?shù)囊蟮?甚至可以做到微波傳輸,而強大的前端也可以變得更加便攜,集成在移動巡邏車上,單兵設備上,甚至民用級無人機上,應用場景被極大的拓展。

其不足在于,前端受體積和功率限制,以目前的科技水平仍無法做到大規(guī)模布控和多目標實時比對,FPGA的算力和擴展性畢竟無法與專業(yè)GPU計算卡相比,而把專業(yè)的GPU計算卡放在前端,數(shù)量和功率都將受到極大的限制。所以邊緣計算的人臉識別方案更適合于少目標、少接入、小場景、要求機動性的業(yè)務場景中應用。

采用后端集群的方式,人臉識別抓拍(不帶屬性檢測)可在前端或后端進行,對人臉圖片的分析和結構化均交由后臺強大的GPU集群來完成,如此可實現(xiàn)大規(guī)模甚至超大規(guī)模(百億級數(shù)據(jù))的布控和實時分析,接入視頻路數(shù)的限制只在于GPU集群的擴展能力,而一般GPU集群都具備強大的橫向擴展能力。同時,這一方式對前端攝像機的要求極低(甚至可以采用老舊的模擬攝像機)。在平安城市或智慧社區(qū)的改造項目中,采用這種方式可以更好地利舊已有前端,并且繼續(xù)使用已有視頻管理系統(tǒng),對現(xiàn)網(wǎng)的改動小,易于部署。

但是這種方式的缺點也很明顯,即對傳輸網(wǎng)絡要求較高,如果采用普通視頻流攝像機接入,視頻網(wǎng)絡的壓力非常大。同時,后端處理的方式受限于GPU集群的硬件環(huán)境,不具備機動性。因此,后端集群的人臉識別方案適合于海量目標、海量接入、海量數(shù)據(jù)、多場景、不要求機動性的業(yè)務場景中應用。

在如今的安防市場,這兩種方案均有其適合的生存土壤和空間,且完全可以形成業(yè)務互補。