王晨曦,范春曉,吳岳辛

(北京郵電大學(xué) 電子工程學(xué)院,北京 100876)

圖像檢索是指根據(jù)目標(biāo)圖像的內(nèi)容,通過(guò)一種自動(dòng)分類(lèi)算法來(lái)判斷目標(biāo)圖像的相應(yīng)類(lèi)別.在圖像檢索的發(fā)展中,主要經(jīng)歷了三個(gè)階段:基于元數(shù)據(jù)的圖像檢索、基于文本標(biāo)注的圖像檢索和基于內(nèi)容的圖像檢索[1],人臉檢索則可以歸類(lèi)于基于內(nèi)容的圖像檢索.與人臉識(shí)別不同的是,人臉檢索需要實(shí)現(xiàn)目標(biāo)照片的人臉檢測(cè)、特征提取,并在大規(guī)模人像庫(kù)中進(jìn)行匹配.在大數(shù)據(jù)環(huán)境下,這種相似人臉檢索技術(shù),在安防、軍事以及娛樂(lè)領(lǐng)域有著廣泛的應(yīng)用價(jià)值,已成為人臉圖像研究中的一個(gè)熱點(diǎn)[2].

現(xiàn)有的視頻監(jiān)控系統(tǒng)雖然已經(jīng)遍布社會(huì)生活的各個(gè)角落,但是只實(shí)現(xiàn)了單純的視頻存儲(chǔ)功能,監(jiān)控視頻信息的分析仍然依靠人力因而不具備實(shí)時(shí)性.因此,在視頻監(jiān)控的同時(shí)抓拍和記錄高清晰度的人臉圖像并提供識(shí)別、比對(duì)、報(bào)警、查詢等功能,是新一代視頻監(jiān)控追求的目標(biāo),也是實(shí)際應(yīng)用中迫切需要的功能[3].而隨著國(guó)家天網(wǎng)工程的部署,公共安全領(lǐng)域能夠獲取的人臉圖像急速增長(zhǎng),使得現(xiàn)有人臉圖像檢索技術(shù)在處理海量圖像數(shù)據(jù)的過(guò)程中,在實(shí)時(shí)性、擴(kuò)展性、并發(fā)性和準(zhǔn)確性等方面面臨嚴(yán)峻的考驗(yàn)[4].

人臉檢索系統(tǒng)在海關(guān)對(duì)入關(guān)人員的身份排查、大人流量下的安檢工作等應(yīng)用場(chǎng)景下對(duì)檢索的實(shí)時(shí)性有極高的要求,而傳統(tǒng)的基于單節(jié)點(diǎn)架構(gòu)的人臉圖像檢索系統(tǒng)已經(jīng)不能滿足人們對(duì)于檢索性能的要求,因此本文采用分布式技術(shù)并設(shè)計(jì)了一種大容量實(shí)時(shí)人臉檢索系統(tǒng),將人臉識(shí)別技術(shù)與視頻監(jiān)控融合,通過(guò)Storm分布式平臺(tái)實(shí)現(xiàn)基于實(shí)時(shí)人臉抓拍照片的識(shí)別、存儲(chǔ)、檢索、報(bào)警、查詢等功能,解決了現(xiàn)有人臉圖像檢索技術(shù)在處理海量圖像數(shù)據(jù)的過(guò)程中,在實(shí)時(shí)性、擴(kuò)展性上的需求.

1 相關(guān)研究

隨著圖像數(shù)據(jù)的快速增長(zhǎng),許多研究人員都對(duì)大規(guī)模圖像數(shù)據(jù)的分布式處理進(jìn)行了研究,這類(lèi)研究主要分為三類(lèi):對(duì)分布式圖像檢索系統(tǒng)的研究、對(duì)分布式圖像特征提取算法及檢索算法的研究以及對(duì)各類(lèi)分布式平臺(tái)圖像處理性能的研究.

文獻(xiàn)[5]通過(guò)Hadoop平臺(tái)進(jìn)行大規(guī)模圖像數(shù)據(jù)的特征提取與檢索,將提取到的特征值存入HBase中,但通過(guò)MapReduce進(jìn)行圖像檢索時(shí),每開(kāi)啟一次任務(wù)都需要重新從HBase讀取一次圖像特征值,增加了不必要的I/O開(kāi)銷(xiāo).文獻(xiàn)[6]則是將提取的圖像特征以文件形式存儲(chǔ)于Hadoop的分布式文件系統(tǒng)HDFS中,通過(guò)MapReduce進(jìn)行圖像檢索,考慮到大量的小文件會(huì)造成在計(jì)算時(shí)會(huì)產(chǎn)生過(guò)多的Map和Reduce任務(wù),極大延遲計(jì)算完成時(shí)間,提出了將多幅圖像的特征小文件合并為后存儲(chǔ)于HDFS中,以實(shí)現(xiàn)大規(guī)模圖像的快速存儲(chǔ)和讀取,但每次的檢索仍然存在大量的I/O開(kāi)銷(xiāo).文獻(xiàn)[7-10]也都基于Hadoop平臺(tái)針對(duì)圖像特征提取效率、圖像檢索效率進(jìn)行了研究,但都沒(méi)有對(duì)圖像檢索的實(shí)時(shí)性進(jìn)行考慮.文獻(xiàn)[11]則對(duì)比了Hadoop、Spark以及Storm三者在大規(guī)模圖像檢索中的性能,其實(shí)驗(yàn)結(jié)果表明,Storm在圖像檢索性能上,比Hadoop與Spark有更低的延遲.

基于上述研究,本文設(shè)計(jì)了一種大容量實(shí)時(shí)人臉檢索系統(tǒng).在HBase中建立注冊(cè)庫(kù)用于存儲(chǔ)大容量人物信息,包括人臉照片、人臉特征值以及人物基本信息.通過(guò)Storm分布式平臺(tái)實(shí)現(xiàn)基于實(shí)時(shí)抓拍照片的實(shí)時(shí)存儲(chǔ)與檢索.

2 系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)的人臉檢索系統(tǒng)主要適用于海關(guān)對(duì)入關(guān)人員的身份排查、大人流量下的安檢工作等應(yīng)用場(chǎng)景下,系統(tǒng)需要實(shí)現(xiàn)對(duì)攝像機(jī)人臉抓拍照片的實(shí)時(shí)存儲(chǔ)與檢索,并提供報(bào)警、查詢等功能,同時(shí)當(dāng)攝像機(jī)數(shù)量增加時(shí),單位時(shí)間內(nèi)各個(gè)攝像機(jī)所產(chǎn)生的人臉抓拍照片的總量也會(huì)線性增長(zhǎng),系統(tǒng)需要有良好的擴(kuò)展性以應(yīng)對(duì)負(fù)載的增加.傳統(tǒng)的基于單節(jié)點(diǎn)架構(gòu)的人臉圖像檢索系統(tǒng)在性能上已經(jīng)無(wú)法滿足設(shè)計(jì)需求,因此本文采用分布式技術(shù)設(shè)計(jì)了基于Storm的大容量實(shí)時(shí)人臉檢索系統(tǒng).Storm的流式處理方式使得人臉抓拍照片能夠源源不斷的進(jìn)行實(shí)時(shí)存儲(chǔ)與檢索,而通過(guò)集群中計(jì)算節(jié)點(diǎn)的增加以及Storm中實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)的并行運(yùn)行則可以滿足攝像機(jī)數(shù)量增加時(shí)對(duì)系統(tǒng)處理能力的需求.

圖1 基于Storm的大容量實(shí)時(shí)人臉檢索系統(tǒng)總體框架

本文設(shè)計(jì)的基于Storm的大容量實(shí)時(shí)人臉檢索系統(tǒng)整體設(shè)計(jì)框圖如圖1所示,主要包含:監(jiān)控終端、HDFS抓拍照片緩存、Storm集群、持久化、Web服務(wù)器.

(1)監(jiān)控終端:系統(tǒng)采用的監(jiān)控終端為?？瞪铐盗械闹悄苋四樛残途W(wǎng)絡(luò)攝像機(jī)DS-2CD7627FWD/FLZ,該攝像機(jī)支持人臉抓拍功能,支持對(duì)運(yùn)動(dòng)人臉進(jìn)行檢測(cè)、跟蹤、抓拍、評(píng)分,并自動(dòng)篩選輸出最優(yōu)人臉圖.通過(guò)配置攝像機(jī)的參數(shù),將攝像機(jī)的實(shí)時(shí)人臉抓拍照片存儲(chǔ)到HDFS中對(duì)應(yīng)的文件夾下做緩存.

(2)HDFS 抓拍照片緩存:HDFS 中的文件夾與攝像機(jī)一一對(duì)應(yīng),攝像機(jī)的人臉抓拍照片會(huì)自動(dòng)保存到其對(duì)應(yīng)的文件夾下,同時(shí)這些文件夾也是Storm集群中運(yùn)行的實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)的數(shù)據(jù)源.

(3)Storm集群:Storm集群中每臺(tái)攝像機(jī)均有唯一的實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)與之對(duì)應(yīng).這些任務(wù)在集群中并行運(yùn)行,一方面從HDFS中讀取攝像機(jī)的抓拍照片,進(jìn)行特征提取后以抓拍時(shí)間為行健存儲(chǔ)到HBase中對(duì)應(yīng)攝像機(jī)的抓拍庫(kù)中;另一方面將抓拍照片的特征值與用戶導(dǎo)入的注冊(cè)庫(kù)中的大容量人臉特征值進(jìn)行相似度計(jì)算,篩選出相似度超過(guò)閾值的檢索結(jié)果,并將檢索結(jié)果反饋給Web服務(wù)器.用戶在向集群提交任務(wù)時(shí)需指定該任務(wù)所對(duì)應(yīng)攝像機(jī)在HDFS中的緩存文件夾的路徑作為數(shù)據(jù)源,并指定需要進(jìn)行檢索的注冊(cè)庫(kù).

(4)持久化:大容量、非結(jié)構(gòu)化的人臉數(shù)據(jù)采用HBase進(jìn)行存儲(chǔ),而實(shí)時(shí)人臉檢索結(jié)果以及其它結(jié)構(gòu)化數(shù)據(jù)則采用MySQL進(jìn)行存儲(chǔ).實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)從數(shù)據(jù)源獲取的抓拍照片經(jīng)處理后會(huì)存儲(chǔ)到HBase中攝像機(jī)所對(duì)應(yīng)的抓拍庫(kù)中,檢索結(jié)果則會(huì)反饋給Web服務(wù)器并經(jīng)過(guò)格式處理后存入MySQL以供用戶查詢.

(5)Web服務(wù)器:為用戶提供實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)的開(kāi)啟、實(shí)時(shí)人臉檢索結(jié)果的持久化、報(bào)警、報(bào)警記錄查詢、攝像機(jī)抓拍記錄查詢等功能,并為各項(xiàng)功能提供可視化界面.

3 大容量實(shí)時(shí)人臉檢索系統(tǒng)的實(shí)現(xiàn)

3.1 人臉數(shù)據(jù)存儲(chǔ)

系統(tǒng)中的人臉數(shù)據(jù)包括兩個(gè)部分,第一部分?jǐn)?shù)據(jù)需要在系統(tǒng)部署時(shí)導(dǎo)入,這部分?jǐn)?shù)據(jù)包含了人物的人臉照片、人臉特征值以及基本信息,其中人物照片數(shù)量不做限制,即用戶可以針對(duì)同一人物導(dǎo)入其不同年齡、不同表情、不同角度的人臉照片,該部分?jǐn)?shù)據(jù)為非結(jié)構(gòu)化數(shù)據(jù).第二部分是系統(tǒng)開(kāi)始運(yùn)行后各個(gè)攝像機(jī)的實(shí)時(shí)人臉抓拍數(shù)據(jù),這部分?jǐn)?shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù),在存儲(chǔ)時(shí)只包含了抓拍時(shí)間、抓拍照片以及人臉特征值三個(gè)字段,但單臺(tái)相機(jī)每年抓拍的數(shù)據(jù)量能達(dá)到1.5 TB.為區(qū)分兩部分?jǐn)?shù)據(jù),第一部分的數(shù)據(jù)稱為注冊(cè)庫(kù),第二部分的數(shù)據(jù)稱為抓拍庫(kù).

為解決大容量、非結(jié)構(gòu)化人臉數(shù)據(jù)的存儲(chǔ),系統(tǒng)采用開(kāi)源的、面向列的分布式存儲(chǔ)系統(tǒng)HBase[12]作為存儲(chǔ)人臉數(shù)據(jù)的數(shù)據(jù)庫(kù).圖2中給出了存儲(chǔ)非結(jié)構(gòu)化人臉數(shù)據(jù)的注冊(cè)庫(kù)在HBase中的存儲(chǔ)結(jié)構(gòu).

圖2 注冊(cè)庫(kù)在 HBase 中的存儲(chǔ)結(jié)構(gòu)

3.2 人臉識(shí)別算法

SeetaFace是一個(gè)開(kāi)源的C++人臉識(shí)別引擎,可以不依賴第三方庫(kù)函數(shù)并在CPU上進(jìn)行運(yùn)行,它包含搭建一套全自動(dòng)人臉識(shí)別系統(tǒng)所需的三個(gè)核心模塊:SeetaFace Detection(人臉檢測(cè)模塊),SeetaFace Alignment(面部特征點(diǎn)定位模塊)和SeetaFace Identification(人臉特征提取與比對(duì)模塊)[13].SeetaFace所采用的人臉特征值為VIPLFaceNet FC2 層的 2048 個(gè)結(jié)點(diǎn)的輸出,即長(zhǎng)度為2048的float型數(shù)組,特征值對(duì)比采用了cosine計(jì)算相似度.假設(shè)V(I)為人臉I(yè)的特征向量,V(J)為人臉J的特征向量,則人臉I(yè)與人臉J的相似度計(jì)算如下:

JNI (Java Native Interface)是 Java 平臺(tái)的一部分,它提供了若干的API以實(shí)現(xiàn)Java和其他語(yǔ)言的通信.本文中Storm集群上運(yùn)行的任務(wù)由Java語(yǔ)言編寫(xiě)并在Java虛擬機(jī)上運(yùn)行,而SeetaFace由C++編寫(xiě),為實(shí)現(xiàn)在Storm任務(wù)中調(diào)用SeetaFace中的算法,本文在SeetaFace的基礎(chǔ)上進(jìn)行了二次開(kāi)發(fā).test_face_verification.cpp是SeetaFace當(dāng)中的一個(gè)測(cè)試文件,它演示了一次完整的人臉相似度計(jì)算流程:照片加載、人臉檢測(cè)、人臉特征值提取以及人臉相似度計(jì)算.本文基于該測(cè)試文件,將人臉檢測(cè)、人臉特征值提取、人臉相似度計(jì)算三個(gè)模塊的代碼分離出來(lái),各自編寫(xiě)為可以單獨(dú)調(diào)用的新函數(shù),并新增了一對(duì)多人臉相似度計(jì)算函數(shù),在Linux平臺(tái)上編譯生成動(dòng)態(tài)鏈接庫(kù),最終Storm任務(wù)通過(guò)JNI實(shí)現(xiàn)對(duì)以上二次開(kāi)發(fā)算法的調(diào)用.此外,經(jīng)二次開(kāi)發(fā)后,照片加載不再是由OpenCV中的Mat類(lèi)從指定的路徑下加載,而是修改為Mat類(lèi)直接加載JNI調(diào)用時(shí)由Java語(yǔ)言傳參過(guò)來(lái)的照片數(shù)據(jù).

通過(guò)JNI調(diào)用SeetaFace中的各類(lèi)算法,降低了Storm任務(wù)與SeetaFace的耦合性.本文設(shè)計(jì)的大容量實(shí)時(shí)人臉檢索系統(tǒng),其實(shí)時(shí)性由分布式計(jì)算來(lái)實(shí)現(xiàn),但人臉檢索的準(zhǔn)確性由系統(tǒng)中所采用的人臉識(shí)別算法決定.降低Storm任務(wù)與人臉識(shí)別算法的耦合性,便于后續(xù)在系統(tǒng)更新時(shí),選擇更優(yōu)的人臉識(shí)別算法進(jìn)行替換,即對(duì)于識(shí)別性能更好的人臉識(shí)別算法,其只需實(shí)現(xiàn)相應(yīng)的JNI接口后編譯生成動(dòng)態(tài)連接口,Storm任務(wù)即可通過(guò)JNI來(lái)調(diào)用新的算法來(lái)進(jìn)行識(shí)別、檢索.

3.3 實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)

Storm是一個(gè)開(kāi)源、分布式、高容錯(cuò)的實(shí)時(shí)大數(shù)據(jù)處理系統(tǒng).Storm實(shí)現(xiàn)了流式計(jì)算,彌補(bǔ)了Hadoop批處理所不能滿足的實(shí)時(shí)性要求.Storm經(jīng)常用于在實(shí)時(shí)分析、在線機(jī)器學(xué)習(xí)、持續(xù)計(jì)算、分布式遠(yuǎn)程調(diào)用和ETL等領(lǐng)域[14].

系統(tǒng)中的實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)在Storm分布式平臺(tái)上運(yùn)行,圖3給出了實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)的拓?fù)浣Y(jié)構(gòu).任務(wù)主要包括6個(gè)部分:1)照片抓取,2)人臉檢測(cè),3)特征提取,4)人臉檢索,5)結(jié)果統(tǒng)計(jì),6)存抓拍庫(kù).任務(wù)在提交到 Storm 上運(yùn)行時(shí),會(huì)預(yù)先讀取注冊(cè)庫(kù)中的特征值到內(nèi)存中,在任務(wù)運(yùn)行過(guò)程中,抓拍照片的特征值會(huì)與預(yù)先讀取到內(nèi)存中的特征值進(jìn)行相似度計(jì)算,從而減少頻繁的從HBase中讀取所產(chǎn)生的I/O開(kāi)銷(xiāo).

圖3 實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

本文提出的實(shí)時(shí)人臉檢索系統(tǒng)的計(jì)算集群部署在三臺(tái)服務(wù)器上,單臺(tái)服務(wù)器的硬件配置為:兩個(gè)Intel(R)Xeon(R)X5650 @ 2.67 GHz CPU、16 GB 內(nèi)存,操作系統(tǒng)為CentOS 7,集群的軟件版本在表1中給出.

表1 集群軟件版本

本文使用的人臉數(shù)據(jù)集為 LFW ( Labeled Face in Wild)數(shù)據(jù)集[15].LFW 數(shù)據(jù)集包含了 5749 名人物,共計(jì)13233張照片.為避免無(wú)效人臉影響實(shí)驗(yàn)結(jié)果,本文通過(guò)SeetaFace的人臉檢測(cè)算法與特征提取算法對(duì)LFW數(shù)據(jù)集進(jìn)行篩選,最終篩選得到13220張有效人臉.

4.2 SeetaFace性能

本文在SeetaFace的基礎(chǔ)上進(jìn)行了二次開(kāi)發(fā),主要針對(duì)SeetaFace Identification部分樣例代碼進(jìn)行修改,將人臉檢測(cè)算法、特征提取算法從樣例代碼中提取并編寫(xiě)為新的接口,同時(shí)增加了一對(duì)多人臉相似度計(jì)算算法.經(jīng)實(shí)驗(yàn)環(huán)境下測(cè)試,本文修改后的算法通過(guò)JNI調(diào)用時(shí)單張照片人臉檢測(cè)速度為19.3 ms、特征提取速度為286.6 ms.圖4給出了一對(duì)多人臉相似度計(jì)算算法性能測(cè)試結(jié)果.

圖4 一對(duì)多人臉相似度計(jì)算算法性能測(cè)試結(jié)果

從圖中可以看出,在實(shí)驗(yàn)環(huán)境下,通過(guò)Java計(jì)算相似度比通過(guò)JNI調(diào)用C++算法有更高的效率.

4.3 加速比

加速比定義為同一個(gè)任務(wù)在單機(jī)系統(tǒng)和分布式系統(tǒng)中運(yùn)行消耗的時(shí)間的比率,用來(lái)衡量分布式系統(tǒng)的性能和效果[16].Storm任務(wù)的運(yùn)行分為本地模式和遠(yuǎn)程模式,其中本地模式是指Storm任務(wù)運(yùn)行在本地機(jī)器的單一JVM上,而遠(yuǎn)程模式是指Storm任務(wù)被提交到集群當(dāng)中,經(jīng)任務(wù)調(diào)度后運(yùn)行在不同節(jié)點(diǎn)的多個(gè)JVM上,此時(shí)Storm任務(wù)中的各個(gè)線程是并行運(yùn)行的,且Storm任務(wù)中各模塊并行度的改變會(huì)影響任務(wù)的計(jì)算效率.本文以實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)在Storm本地模式下且任務(wù)中各模塊并行度為1時(shí)運(yùn)行的耗時(shí)為單機(jī)系統(tǒng)下的耗時(shí),而實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)在Storm遠(yuǎn)程模式下運(yùn)行的耗時(shí)即為分布式系統(tǒng)下的耗時(shí).

在實(shí)驗(yàn)中,本文保持HBase中注冊(cè)庫(kù)的大小為50 000張人臉照片不變.在本地模式下且任務(wù)中各模塊并行度為1時(shí)運(yùn)行實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)測(cè)得平均耗時(shí)為9866.9 ms.此后在遠(yuǎn)程模式下逐漸增大實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)中人臉檢索模塊的并行度并測(cè)得不同并行度下實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)的耗時(shí),最終獲得了圖5所示的不同并行度下實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)用時(shí)與加速比.

圖5 實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)用時(shí)與加速比

從圖5中可以看出,Storm任務(wù)運(yùn)行在遠(yuǎn)程模式會(huì)有更好的實(shí)時(shí)性,同時(shí)隨著人臉檢索模塊的并行度的提升加速比會(huì)有顯著的增長(zhǎng),但由于在整個(gè)實(shí)時(shí)抓拍照片存儲(chǔ)與檢索任務(wù)中,人臉檢測(cè)與特征值提取也會(huì)占據(jù)大量的耗時(shí),因此加速比與人臉檢索模塊的并行度并不成正比.當(dāng)人臉檢索模塊耗時(shí)隨著該模塊并行度的提高而接近甚至低于人臉檢測(cè)與特征值提取的耗時(shí)時(shí),加速比的增長(zhǎng)逐漸趨于平緩.此外,隨著人臉檢索模塊并行度的逐漸增大,Storm任務(wù)中線程間通信的耗時(shí)也會(huì)增加,這也是加速比的增長(zhǎng)逐漸趨于平緩的原因之一,而當(dāng)線程間通信耗時(shí)在整個(gè)任務(wù)耗時(shí)中的占比足夠大時(shí)最終加速比會(huì)出現(xiàn)回落.實(shí)驗(yàn)中當(dāng)并行度為9時(shí),加速比達(dá)到最大值21.05.

5 結(jié)論與展望

本文所設(shè)計(jì)并實(shí)現(xiàn)的大容量實(shí)時(shí)人臉系統(tǒng)將人臉識(shí)別技術(shù)與視頻監(jiān)控融合,實(shí)現(xiàn)了視頻監(jiān)控?cái)?shù)據(jù)的實(shí)時(shí)處理與反饋,減輕了后期人力調(diào)取歷史圖像數(shù)據(jù)的工作量.通過(guò)多組實(shí)驗(yàn)表明,該系統(tǒng)可以有效利用Storm平臺(tái)的并行計(jì)算能力,具有良好的實(shí)時(shí)性和擴(kuò)展性.

本文的人臉檢索仍采用了窮舉搜索方式,即對(duì)給定的一張人臉圖像,需要將其其特征描述向量和注冊(cè)庫(kù)中每張人臉圖像的特征依次進(jìn)行相似度匹配計(jì)算.窮舉搜索的時(shí)間復(fù)雜度為O(n),會(huì)隨著注冊(cè)庫(kù)數(shù)據(jù)規(guī)模的增大而線性增加,所以下一步的研究方向包括:1)注冊(cè)庫(kù)基于特征值的索引建立;2)基于索引的人臉檢索.