10亿级人脸搜索

人脸检索

      给定一张照片，与指定人脸库中的N个人脸进行比对，找出最相似的一张脸或多张人脸。 根据待识别人脸与现有人脸库中的人脸匹配程度，返回用户信息和匹配度，即1：N人脸检索。可用于用户身份识别、身份验证相关场景。

人脸检索技术难点：

1. 单机由于内存和CPU性能限制，能够支持的人脸检索数始终都有上限，所以必须进行集群设计来提高容量。
2. 10亿级别的人脸库存储是一个问题，按每张图片50K的大小都会是TB级别了。
3. 10亿级别人脸库建模需要很长时间。
4. 10亿级别人脸库检索响应时间能否做到秒级。
5. 10亿级别人脸库检索TPS能到多少。

我们针对以上问题设计开发了10亿级别的人脸检索系统，并针对业务场景开发了分布式图片存储系统和特征管理系统。

分布式人脸检索系统框图

系统由3个部分组成：

1. 配置管理服务。
2. 人脸检索服务。
3. Master调度服务。

系统主要提供功能：

1. 创建人脸库。
2. 删除人脸库。
3. 添加人脸。
4. 删除人脸。
5. 单库检索。
6. 多库检索。

逻辑库

      单机处理能力有上限(如单机只能处理5000W人脸的检索)，人脸库单库非常大时(比如需要进行1.5亿人脸检索)，单机必然无法处理，所以系统将待检索的人脸库抽象为逻辑库，逻辑库中人脸分散保存在不同机器上，通过一定策略进行管理，这样可以实现人脸库人脸容量无上限。

逻辑库处理逻辑：

1. 实现超大库检索
2. 需要等待所有分区返回
3. 需要合并所有分区结果

消费分区

      消费分区的设计思路很像kafka的消费者分配分区，其主要目的也是提高并发和容错。

单分区单引擎：

1. 并发低
2. 无法实现容错 

单分区多引擎：

1. 识别进行负载均衡
2. 并发高
3. 能够实现容错

消费分区负载均衡策略：

人脸搜索典型应用

20亿人口库检索