写在前面
由于直接讲代码略显枯燥，遵循个人做事风格，先看整体效果，再进行细致了解，这和始于颜值，忠于人品差不多的意思。这个章节介绍完功能后，感兴趣的同学，可以通过下个章节的代码解析，进行深入的了解。对作者来说也算是完成了一个人脸识别基础功能的Demo开发吧。
1. 人脸注册
我在网上找了一些大家熟知的明星，将头像清晰的照片进行了保存，人脸注册，需要上传头像的照片，同时输入用户ID和用户信息，写2个字段，是因为真实情况下，会存在重名的情况，可以将用户ID作为唯一，将用户信息作为名字，当然根据需求做调整也行，这里只是抛砖引玉。
设计逻辑简单提一下，在用户上传图片后，将图片数据、用户ID、用户信息一起作为对象，传送给后端的服务，由后端进行头像的特征点获取，获取成功后，进行保存。
2. 人脸更新
当完成需要录入的人脸后，如果需要更新库中人的照片，就需要进行人脸更新了，人脸更新目前逻辑为以用户ID为唯一的校验值，进行其他信息的更新，包括用户信息和用户的人脸照片。
3. 人脸删除
根据库里面的用户ID，删除用户已经进行了人脸注册的数据，包含后台存储的用户头像的图片数据，确保服务端不留存已删除的无用数据。
4. 人脸库查询
人脸库查询，使用了比较粗暴的方式，查库里的top n条数据，上面的其他模块，做完操作都进行了库查询，这里就不放示例图了。
5. 人脸识别
接下来就到了最重要的人脸识别模块了，我们通过输入一张人物照片，将照片与人脸库中的用户信息进行对比，返回在人脸库中相似度最高的一个用户信息，如果输入的是库中存在的人物照片，那么找到对应人的准确率会比较高，一般超过92%的相似度代表是同一个人，当然如果需要区别双胞胎，那么阈值会更高。这里只是简单提一下，具体真正工程项目中，需要考虑的东西远不止这些。
下面我们上传一张人脸库外的人物头像进行测试，大家可以看到结果，赫敏和迪丽热巴的相似度有87%，虽然人来看很容易区别，但是计算出来的相似度并不低，确实不是同一个人。
6. 扩展思考
虽然看起来这像一个系统，但是实际上真正工程化需要考虑的东西很多，这里简单提几点，后面如果有时间和必要，我会专门进行介绍。
- 人脸库可扩展
示例中只使用了一个库，所有的注册、更新、删除、对比都在同一个库中，实际真实的场景中，我们可以增加不同的库，这样就能够用于多个库的管理了。例如小区中有8栋楼，每栋楼都有不同的业主，那就需要将每一栋业主的人脸信息分别录到8个不同的组中，分别进行验证，这样就不会存在1栋的业主，可以用人脸识别打开8栋业主的门禁了。
- 人脸识别准确率
这个是人脸识别中最重要的，我们使用的模型shape_predictor_68_face_landmarks.dat，实际上是使用外国的人脸数据进行训练的，做Demo还行，想真正的实用，还需要专门的图像工程师来进行数据处理和模型调参/训练，还要考虑不同光线下的鲁棒性，而且特征点可能也不止这点，国内人脸识别做得比较好的是旷视、依图、BAT等，他们都有专门的图像算法团队在做这一块。
- 人脸库搜索效率
示例中，传入一张照片后，会和库中的每一个用户头像信息进行比较，计算余弦相似度，消耗的时间是线性的，如果每次计算消耗100ms，那么如果库中有100个用户，就需要10秒，这肯定是不现实的，而且真实环境中，1000个用户甚至更多是很正常的，不可能一直使用这种线性的方式来做。可以考虑使用Milvus等类似的向量数据库，进行top n的查询，将top n取出来进行计算，解决人脸搜索效率问题。