如何在没有延迟的情况下处理人脸识别（通过api调用处理）

Question

我使用flaskpython框架、opencv和face_识别库来进行人脸识别。我尝试使用python-opencv运行网络摄像头，如果在帧中检测到人脸，它会被发送到后端，在那里处理帧并执行对人的识别，但是这个api调用和响应需要大约0.3秒，这个延迟导致了网络摄像头流畅性的滞后。在

我想要的是网络摄像头连续运行，当在帧中检测到人脸时，它不应阻止网络摄像头流的自由流动，而是应在后台单独处理此帧的处理，而主线程正在运行网络摄像头。在

在这方面的任何帮助都是非常感谢的

Answer 1

你可以做很多事情来解决这个问题

1. 不要把每一帧都传送到检测中，很有可能你使用的是一个好的摄像头，它能给你30帧或更高的帧速率，你不需要这么高的帧速率来进行实时检测，你可以做的是，只需每3或4帧发送一次检测，而对于其他帧，只需将旧的框绘制到流中，这将为您提供足够准确的预测

2. 将您的模型转换为GPU，人脸识别使您可以在使用CPU和GPU（仅限cnn）之间进行选择，将其转换到任何可用的GPU上将加快该过程

3. 调整你的输入帧大小，你真的不需要1080p高清帧来检测帧，任何更小的如480p也可以（尽管这完全取决于你的问题），调整你的帧并使其更小，输入矩阵越小，它就越快。

4. 矢量化你的操作，而不是使用默认的人脸识别API进行身份比较，我建议你用numpy编写一个矢量化版本的比较，在大矩阵中计算L2距离，而不是必须在循环中进行，这将节省大量的计算成本。

5. 限制每人的比较次数。您可以有10个person A嵌入和10个person B嵌入，用这20个嵌入中的每一个找到未知嵌入的距离，可能会花费大量的计算，通过聚类来获取平均嵌入或这些嵌入的质心