总体来讲现在新的平台大多采用采用微服务框架搭建，分为软件应用服务、数据库服务、负载均衡服务，并构建单独的人脸算法服务，服务间互相联动又各自独立，可快速拓展各种人脸识别的应用场景，直接赋能、无缝联接。
切实平台的承载能力以可承载30W以上人员档案、5000以上并发处理为佳，产品形态涵盖web端、移动端、智能终端、BI大屏等。
一个合格的人脸识别平台应该涵盖整体人脸平台涵盖人脸的采集、质量的核验、数据的加密、特征值的转化、数据的开放、公共数据的对接清洗等方面。整体人脸平台涵盖人脸的采集、质量的核验、数据的加密、特征值的转化、数据的开放、公共数据的对接清洗等方面。
(资料图)
人脸数据采集问题注意
1. 高校具有人员数量多、人员分散、组织结构繁杂等特点，组织统一的采集工作难度较高，所以在构建人脸数据的采集时，除了统一的采集方式之外，还需要考虑自助采集的通路，并通过一些技术手段提升采集的质量，确保采集的一次成功率，避免影响后续的识别效果。
2. 平台构建的采集方式有web端导入、移动端自助采集、自助终端采集等多种方式，每种采集方式均可以开启采集过程中的质量检测，对采集的照片质量进行核验。
3. 人脸采集管理员可以进行自定义，系统集成了辅导员、班主任等常见角色，且自动关联此类角色的人脸采集管理权，管理范围为所管理的班级，开通即可享用。人脸采集管理员可根据授权的范围在web端、移动端查看整体采集情况。
4. 人脸数据属于个人隐私数据，根据法律法规要求，必须在使用时取得用户的授权，学校在采集人员的人脸数据时，均需要与师生签署保护协议或免责声明，从而规避可能存在的法律风险。一般需要在协议中注明如何收集人脸数据、使用人脸数据的场景、如何传输或存储人脸数据、如何保护人脸数据及其他事宜。
数据的导入
除了用移动端自助采集的方式收集人脸数据信息，平台还支持WEB端导入数据的方式批量人员照片的导入，可按照学工号或身份证号命名照片文件，压缩成压缩包后进行导入。
考虑到学校存在留学生的情况，一旦开启图像质量检测，容易因面部明暗对比造成质量不通过，平台提供特殊人脸照片导入，在导入这些人员的照片过程中，将不进行质量检测，直接进行入库操作。
图片的质量检测
人脸中台能够对采集的照片质量进行实时的检测，实时反馈至采集人员，避免因照片质量问题带来的识别问题产生，从而保证了高质量人脸库的建设。
质量问题包括但不限于：侧脸、角度过大、脸部明暗对比过大、未捕捉到人脸、遮挡等各种情况，给出的异常反馈清晰明了，能够让采集人员及时调整重新采集。
对于导入或对接的人脸图片信息，亦能够进行质量检测，质量合格予以入库。
图片源头追溯
由于部分特殊情况，需要对外输出人脸图像信息，或平台在展示能产生的数据下载情况，容易带来人脸数据的泄露，在此时需要对泄露的数据进行追溯，查找泄露源。
平台对于自身展示的图片、对外输出的图片全部内置暗水印信息，该信息肉眼不可见，待图片丢失后，可通过平台提供的图像追溯解析出图片输出的时间、接收方信息等。从而追溯到泄露的责任主体，进行追责。
备注：如果图片经过多次压缩，暗水印信息可能会造成丢失，从而不可以追溯。
人脸信息维护
选用的平台必须具备人脸信息的运维服务能力，人脸服务作为平台中非常重要的一个中台服务，使用频率极高，对此服务就需要进行大量的运维工作，平台构建了人脸服务运维能力，能够检测服务运行情况，进行自运维工作。
呈现人脸算法服务器的运行状态，包括人脸数、存储、内存、CPU占用情况，整体服务的全局参数设置情况。
能够对人脸算法服务的一些参数进行设置：网络参数、备份规则、系统展示规则等。
关键词：
