一、前言
本文是《人脸识别完整项目实战》系列博文第1部分，第3节《项目系统架构设计》，本章内容系统介绍：人脸系统系统的项目架构设计，包括：业务架构、技术架构、应用架构和数据架构四部分内容。
本内容已经录制成视频课程，详见：网易云课堂
整个《人脸识别完整项目实战》系统架构结构如下图所示：
项目概述篇：系统介绍人脸识别项目的系统架构设计、项目关键技术说明、项目业务需求分析、项目业务流程设计；
环境部署篇：提供C++和Python两种编程语言的版本，系统介绍项目开发环境概述、DLib框架源码编译、项目工程文件创建、项目开发环境配置、项目性能优化设置；
程序设计篇：从实时视频采集开始，涵盖人脸区域检测、人脸特征点标定、人脸对齐、人脸比对和活体检测等全部技术环节的代码设计、运行演示和执行结果输出；
模型训练篇：基于人脸识别区域检测和人俩识别特征点标定两个应用场景，介绍数据样本采集、算法模型训练和算法模型测试的过程，让大家都人脸识别有一个完整的直观的认识；
算法原理篇：基于人脸识别区域检测和人俩识别特征点标定两个应用场景，人脸区域检测和人脸特征点标定的算法原理和实现机制，让大家对人脸识别与机器学习、深度学习进行有效关联；
学习框架篇：系统介绍主流深度学习框架，重点就本课程用到Dlib深度学习框架进行介绍，通过dlib深度学习实战案例1和dlib深度学习实战案例2，两个完整的案例，让大家对dlib的深度学习框架有一个直观的认识；
二、正文
2.1 业务架构
人脸识别系统的业务架构，可以分为三大层次：样本标注、模型训练和模型应用。样本标注，包括样本标注工具的使用、人脸区域检测样本标注和人脸特征点标定样本标注；模型训练，包括人脸区域检测模型训练、人脸区域检测模型评估，人脸特征点标定模型训练、人脸特征点标定模型评估，已经人脸比对模型训练和人脸比对模型评估；模型应用，包括实时视频采集、实时图像抓拍、实时人脸检测、实时人脸特征点标定、实时人脸特征点对齐、实时人脸比对、实时眨眼识别、实时张嘴识别。人脸识别业务架构如下图所示：
2.2 技术架构
人脸识别的技术架构，可以划分为四个层次：基础设施层、学习框架层、算法模型层和计算机视觉技术层。基础设施层主要包括CPU/GPU/云集算和大数据，其中与人脸识别项目相关度最高的是GPU，对应的开发框架是cuda。学习框架层主要包括计算机视觉相关的Opencv、Dlib、TensorFlow和Keras。算法模型层涉及的关键技术主要包括人脸区域检测算法模型（Hog/CNN），人脸特征点检测算法模型（ResNet/CNN)，人脸对齐算法模型、人脸验证算法模型和活体检测算法模型。计算机视觉技术层主要包括实时视频采集、实时图像抓拍、实时人脸检测、实时人脸特征点标定、实时人脸特征点对齐、实时人脸比对、实时眨眼识别、实时张嘴识别等。人脸识别系统的技术架构如下图所示：
2.3 应用架构
典型的人脸识别系统，通常采用C/S/D架构，分为客户端、服务器端和数据端。其中客户端承担人脸采集和人脸注册两大职责。人脸采集功能包括视频采集、实时人脸区域检测、实时人脸区域抓拍和人脸识别接口调用。人脸注册功能包括：实时视频采集、实时人脸区域检测、实时人脸区域抓拍和人脸注册接口调用。服务器端负责实际的人脸特征点检测、人脸特征点对齐、人脸比对、眨眼识别、张嘴识别等实际功能，并提供人脸识别服务接口和人脸注册服务接口。数据端负责数据资源和模型资源的管理和维护，包括注册人脸图像库、注册人脸标签库、人脸区域检测模型、人脸特征点标注模型和人脸验证模型等。人脸识别系统的应用架构如下图所示：
2.4 数据架构
人脸识别系统的数据架构，分为样本数据、训练模型和应用数据三个层次。样本数据层是训练人脸识别相关模型的输入数据，包括人脸图像和标签数据；训练模型层则包括人脸区域检测模型、人脸特征点标注模型、人脸验证模型等；应用数据层则包括注册人脸资源库和注册人脸标签库。人脸识别系统数据架构如下图所示：
三、未完待续
本文是《人脸识别完整项目实战》系列博文第3章《项目系统架构设计》，全文共53个章节，持续更新，敬请关注。人脸识别技术交流QQ群：859860225 。
微信公众号：