目录
[3.1 项目总体架构](#3.1 项目总体架构)
[3.2 客户端架构](#3.2 客户端架构)
[3.3 主服务端架构](#3.3 主服务端架构)
[3.4 处理服务端架构](#3.4 处理服务端架构)
[3.5 数据库设计](#3.5 数据库设计)
一、项目介绍
该项目是基于深度学习与负载均衡的人脸识别系统
该项目主要由三个部分组成：
- 客户端：客户端进行人脸检测和图片预处理等功能
- 主服务端：主服务端负责数据库操作以及负载均衡分发
- 处理服务端：处理服务端通过模型推理进行人脸识别
二、开发环境以及技术
客户端（C++）
开发环境：Windows11、Qt Creator
所用技术：Qt、OpenCV C++
主服务端（C++）
开发环境：腾讯云轻量应用服务器（CentOS7.6）、VSCode
所用技术：MySQL C Connector、iniparser、nlohmann/json、cpp-httplib、boost
处理服务端（C++）
开发环境：腾讯云轻量应用服务器（CentOS7.6）、VSCode
所用技术：iniparser、nlohmann/json、cpp-httplib、ONNX Runtime、OpenCV C++
模型（Python）
开发环境：Windows11、Anaconda3
所用技术如下：
三、项目架构设计
3.1 项目总体架构
各个机器上的客户端的图片请求都发送到主服务端中；主服务端读取数据库后形成新的请求，负载均衡的发送到各个人脸识别服务端中；人脸识别服务端将两张图片信息进行人脸比对(人脸识别)后将结果返回给主服务端；主服务端将多个结果整合后返回给客户端，由客户端进行显示
3.2 客户端架构
客户端主要用于向用户展示人脸检测、人脸识别的结果。定时器每隔20ms触发一次，通过摄像头获取一帧图像；再对该图片进行人脸检测并将检测出的人脸框出(标识)；将处理后图像显示出来，可以实时看到人脸检测的处理结果；将框出的人脸截取出来，进行预处理后发送给主服务端；主服务端返回结果后，客户端显示人脸识别处理的结果3s(由定时器实现时间控制)；只有显示人脸识别处理结果这一步骤结束后，才会重新触发向发送主服务器这一步骤
本文中选择Haar级联检测器用作人脸检测，其速度快、资源消耗低
3.3 主服务端架构
主服务端由MVC结构修改而来，但裁剪了视图层模块，添加了负载均衡模块。当请求发送到服务器上的主服务端时，将图片信息交付至控制器；控制器向模型层请求数据，模型层向MySQL数据库进行请求；当控制器拿到图片数据后，加上请求中的图片信息，共两张图片数据。形成新的请求，通过负载均衡模块，发送给当前负载最小的人脸识别处理服务端
数据库中同一人存在多张人脸图片信息，当第一张图片命中后会继续与其他图片进行对比，达到一定阈值才判断为同一人，此操作在系统层面提高判断准确率，若使用场景中请求较为频繁，可以仅判断一次
负载均衡模块采用最小连接数调度。在这种方法中，负载均衡器会周期性地（轮询）选择当前连接数最少的服务器处理新请求。确保每个服务器的负载相对均衡，因为连接数少的服务器更有可能能够及时响应新的请求，从而有效地利用整体系统资源
进行网络发送时，采用异步任务进行发送。可以提高程序响应性和并发能力，提高系统资源利用率。相对于thread多线程编程而言，简化多线程编程，简化并发代码的编写和维护
3.4 处理服务端架构
在人脸识别服务端架构中，采用ONNX Runtime进行模型的部署推理。当请求发送到人脸识别服务端时，调用由ONNX Runtime部署加载完成的人脸识别模型Facenet进行处理，处理完成后返回给主服务端
3.5 数据库设计
数据库中定义了两张表，分别为PersonnelSummary和FacialInformation，分别存储了所有的人员基础信息和人脸信息
| 字段名 | 数据类型 | 宽度 | 是否主键 | 描述 |
|---|---|---|---|---|
| ID | Varchar | 30 | 是 | ID编号 |
| name | Varchar | 20 | 否 | 姓名 |
目前在PersonnelSummary表中仅有name这一基础信息，是因为本系统设计识别成功后仅展示ID和name信息。若需展示更多新信息可后续自行添加
| 字段名 | 数据类型 | 宽度 | 是否主键 | 描述 |
|---|---|---|---|---|
| ID | Varchar | 30 | 是 | ID编号 |
| faceDate | Mediumtext | 16MB | 否 | 人脸数据 |
四、FaceNet
主干特征提取网络
本项目中，FaceNet提供了两种主干特征提取网络的实现，分别是：Inception-ResNetV1和MobilenetV1
Loss
总体Loss由Triplet Loss和Cross-Entropy Loss组成，Triplet Loss用于进行不同人的人脸特征向量欧几里得距离的扩张，同一个人的不同状态的人脸特征向量欧几里得距离的缩小。Cross-Entropy Loss（交叉熵损失函数）用于人脸分类，具体作用是辅助Triplet Loss收敛。交叉熵损失在模型训练过程中表现出较好的稳定性和收敛性，特别是在优化过程中，其能够有效地指导模型在训练中逐步改进预测概率
数据集
本文中将CASIA-WebFace数据集划分为训练集、验证集，训练集用于训练模型的参数，验证集用于调整模型的超参数和监控模型的训练过程。本文中按照99:1的比例划分训练集与验证集，测试集则单独使用LFW数据集
resize
模型要求输入图像的大小固定为特定的尺寸。若原始图像的大小与模型期望的输入大小不匹配，则需将图像调整到合适的尺寸
同时，在训练过程中，为了保持输入数据的一致性，通常需要将所有图像调整为相同的尺寸。这样可以确保每张图像都有相同的特征表示，并且模型能够从中学习到一致的模式。本文中通过添加灰条进行不失真的resize
模型验证率与准确率
五、代码实现
GG-Bruse/Facial-Hunter: Facial Hunter (github.com)
https://github.com/GG-Bruse/Facial-Hunter