[发明专利]一种分布式人脸检索系统及方法

说明书

本发明公开了一种分布式人脸检索系统，涉及人脸数据的快速识别技术领域，包括数据库、消息队列、分布式文件系统、冷启动服务模块、特征提取服务模块、特征切片服务模块、检索服务模块、热更新服务模块、备份与恢复服务模块、日志服务模块。另外还公开了一种分布式人脸检索方法，包括以下步骤：步骤S100，训练模型；步骤S200，建立人脸特征库；步骤S300，写入分布式文件系统；步骤S400，处理图像信息和检索请求；步骤S500，实时更新检索服务模块信息；步骤S600，定时备份或恢复。本发明解决了高并发问题，提高了检索速度，降低了人脸检索系统的复杂度，提升了人脸检索系统的高扩展性。

技术领域

本发明涉及人脸数据的快速识别技术领域，尤其涉及一种分布式人脸检索系统及方法。

背景技术

基于大规模人脸数据的快速检索服务正在许多应用场景中展现了其重要价值。如在身份验证方面，利用人脸快速检索服务可以有效缓解因身份证读取终端设备购置、维护等成本费用，同时也减少了被验证人负担，使其无需额外操作即可实现验证。再如人员轨迹追踪的应用中，通过对各个监控摄像头中的视频进行人脸识别和检索可以极大程度的提升人员定位效率。但是与之相伴的庞大的人脸数据，已成为了制约检索服务在海量人脸数据库中以接近实时时间损耗，精准查询与之最为相似的若干张人脸信息的主要瓶颈之一。

对于人脸检索系统而言，可以简单划分为人脸识别和特征提取、特征检索两阶段。对于第一阶段而言，随着近些年基于深度学习的人脸识别技术不断发展和进步，目前已经可以实现实时对人脸目标的识别和特征提取。然而，用于深度学习网络模型训练的数据集中人种、年龄、性别等分布和实际应用场景中存在较大差异，这将会导致识别和特征提取模型并不能有效对人脸进行识别和生成具有区分度的特征信息，继而间接引入了检索噪声。如何将深度学习模型变得更加适用于应用场景也是一个目前亟需解决的问题。

除此之外，庞大的人脸数据库也导致了被检索特征目标在检索查询过程中，需要进行大量特征比对计算。在实际应用过程中，将被检索特征目标与人脸数据库中的每个人脸特征相互比对是不现实的。为了提升人脸检索速度，大规模的人脸数据库一般通过建立层次索引，依照一定规则如人脸特征与中心点距离等切片规则将所有人脸特征进行划分为子库便于检索时减少计算量，即切片处理，使得在检索过程中，通过比对切片规则即可快速定位到需要查询的一个或者多个特征切片，有效减少了在匹配过程中的计算量。因此如何建立有效切片索引规则将直接影响该服务的准确性以及实时性。目前利用聚类建立特征索引是比较常见的方式，具体可以理解为通过某些聚类算法，对人脸特征库进行聚类操作，最终得到若干个聚类簇，将各个簇的中心向量视为特征比对标准。当被检索特征输入时，与每个聚类簇的中心向量比对得到潜在的候选簇，并不断重复上述操作直至最小簇粒度，最后对所有候选簇成员逐一比较得到最终匹配结果，从而实现加速目的。

该类方法虽然有效降低了检索时的时间消耗，但是由于人脸库中存储的人脸信息总是处于动态更新的状态，随着对人脸特征库进行增加、删除、更改操作的不断执行，这将导致索引中心簇向量与真实的中心簇向量出现偏离，从而使得检索误差逐渐增大，降低了服务的可靠性。为了能够有效缓解该现象，则需要在人脸特征增加、删除、更改操作完成后，重新执行分层索引生成操作，对原始簇成员进行重新分组，这将直接造成检索服务的复杂度提升、可扩展性大打折扣。