CN112597861B - 支持高频使用缓冲机制的混合模式人脸识别方法与系统 - Google Patents

Abstract

本发明提供一种支持高频使用缓冲机制的混合模式人脸识别方法与系统，在部署在服务器端与设备端的人脸识别系统中，在设备端部署人脸缓冲库，用于存储本地高频缓冲人脸特征数据；并且配置不同的人脸识别算法，服务器端配置第一人脸识别算法，设备端配置第二人脸识别算法；所述服务器端配置有预先注册的人脸识别底库。针对海量人脸底库的情况的人脸识别问题，本发明结合设备端本地采用轻量级模离线识别与服务器端采用高精度模型准确识别的混合人脸识别方式，同时，辅以高频使用人员动态缓存进出机制以及高识别阈值控制，以平衡本地设备端的人脸识别比对的效率和准确性的问题。

Description

支持高频使用缓冲机制的混合模式人脸识别方法与系统

技术领域

本发明涉及人脸识别技术领域，具体而言涉及一种支持高频使用缓冲机制的混合模式人脸识别方法与系统。

背景技术

随着深度学习网络生成模型的工程化落地，人脸识别技术的精度得到了远远超越人眼的极大提升。在人脸识别门禁系统中，为了将算法模型运行在设备端，通常会将模型网络进行诸如“剪枝”、“蒸馏”等手段，缩小模型，以达到快速的设备端本地运行速度。但也正是因为对算法网络模型进行了优化精简，会带来较大的精度损失。

例如，高精度深度网络模型如运行在服务端，利用其强大的硬件性能，在识别率99.97%以上的基准下，可以达到误识别率仅百万分之一的精度指标。如果移植模型到设备端本地运行，同样的识别率基准下，误识别率就会剧烈劣化到万分之五。

对于人脸底库不大，比如两千人以下，且误识别率控制要求不是特别严苛的情况下，通过使用设备端离线识别技术，可以让人脸识别设备达到很好的识别响应速度。但是，如果用于大集团公司、学校、中大型工厂等大人脸底库场景时，大人脸底库带来的本地离线识别速度缓慢，检索量大，误识别率很高的结果，使得人脸识别的实用性大为降低。

因此，在大人脸底库识别的场景中，一般采用服务端识别的方式来在一定程度上解决上述问题。但是，某些时候，由于网络条件差或断网、以及服务端服务能力的波峰波谷等情况，会直接导致人脸门禁设备识别缓慢、甚至是不能正常使用。

发明内容

本发明目的在于提供一种支持高频使用缓冲机制的混合模式人脸识别方法与系统，针对海量人脸底库的情况的人脸识别问题，本发明结合设备本地离线识别（轻量级模型）与服务端识别（高精度模型）的混合人脸识别方式，同时，辅以高频使用人员动态缓存进出机制以及高识别阈值控制，以平衡本地设备端的人脸识别比对的效率和准确性的问题。

根据本发明改进的第一方面提出一种支持高频使用缓冲机制的混合模式人脸识别方法，包括以下步骤：

步骤1、在部署在服务器端与设备端的人脸识别系统中，在设备端部署人脸缓冲库，用于存储本地高频缓冲人脸特征数据；并且在服务器端配置不同的人脸识别算法，服务器端配置第一人脸识别算法，设备端配置第二人脸识别算法；所述服务器端配置有预先注册的人脸识别底库；

步骤2、设备端持续根据所采集的图像进行人脸检测，当检测到人脸时，提取人脸特征，并以设备端部署的人脸缓冲库为基础，通过第二人脸识别算法进行人脸识别处理；如果识别验证通过，则输出验证通过比对结果，并在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回持续进行人脸检测与识别；如果识别验证不通过，则进入步骤3；

步骤3、将当前采集人脸图像上传到服务器端，在服务器端以人脸识别底库为基础，通过第一人脸识别算法进行人脸识别处理，如果识别验证通过，则进入步骤4，否则输出识别不通过结果，并返回步骤2持续进行人脸检测与识别；

步骤4、根据识别结果对应的人脸特征判定是否是设备端部署的人脸缓冲库中的人员，如果是，则在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回步骤2持续进行人脸检测与识别，如果否，则添加到设备端部署的人脸缓冲库中，并返回步骤2持续进行人脸检测与识别。

优选地，所述步骤1中，所述第一人脸识别算法与第二人脸识别算法不同，并且分别配置人脸识别比对过程中的相似度阈值标准。

优选地，设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于服务器端配置的第一人脸识别算法对应的人脸识别相似度阈值K1的值。

优选地，所述设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于90%。

优选地，所述方法还包括以下步骤：

对设备端部署的人脸缓冲库进行低频使用人员的清理。

优选地，所述方法还包括以下步骤：

为设备端部署的人脸缓冲库设定可存储的本地高频缓冲人脸特征数据的上限值Nmax；

在每次执行新添加人脸特征数据到设备端部署的人脸缓冲库时，判断存储的本地高频缓冲人脸特征数据是否达到Nmax，如果达到则按照预设的方式进行低频使用人员的清理。

优选地，所述按照预设的方式进行低频使用人员的清理包括：

从设备端部署的人脸缓冲库中移除使用频率活跃度低于预设值的数据。

优选地，在进行低频使用人员的清理过程中，执行对新添加人脸数据在活跃度指数评价保护期内不会被意外清除，所述活跃度指数评价保护期被配置成预先设定。

根据本发明改进的第二方面还提出一种支持支持高频使用缓冲机制的混合模式人脸识别系统，包括至少一个设备端和至少一个服务器端；

所述服务器端配置第一人脸识别算法和人脸识别底库，所述人脸识别底库为预先注册的人脸识别底库；

所述设备端部署第二人脸识别算法和人脸缓冲库，人脸缓冲库用于存储本地高频缓冲人脸特征数据；第二人脸识别算法与第一人脸识别算法为不同的人脸识别算法；

其中，在人脸识别过程中，所述设备端持续根据所采集的图像进行人脸检测，当检测到人脸时，提取人脸特征，并以设备端部署的人脸缓冲库为基础，通过第二人脸识别算法进行人脸识别处理；如果识别验证通过，则输出验证通过比对结果，并在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度；如果识别验证不通过，则将当前采集人脸图像上传到服务器端；

所述服务器端以人脸识别底库为基础，通过第一人脸识别算法进行人脸识别处理，如果识别验证通过，则根据识别结果对应的人脸特征判定是否是设备端部署的人脸缓冲库中的人员，如果是，则在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃；否则输出识别不通过结果。

优选地，所述设备端还配置有清理模块，用于对设备端部署的人脸缓冲库进行低频使用人员的清理。

由此，本发明提出的支持高频使用缓冲机制的混合模式人脸识别方法与系统，通过解决现有的人脸识别系统在海量人脸底库人脸识别设备或系统存在的设备本机离线识别时，由于海量人脸底库带来的人脸特征库检索量大导致的识别速度缓慢问题；设备本机离线识别时，由于硬件性能限制，均使用轻量级算法网络模型，其在设备本地离线识别时误比率无法控制到实用程度的问题；而设备直接使用服务端识别时，无法使用设备端离线识别能力一定程度上分流服务器压力问题。

结合本发明的上述实施方式，本发明的显著的有益效果在于：

1、通过设备段（本地）离线人脸识别、服务器端人脸识别二级混合识别机制，在保证速度及精度的前提下，优先离线识别高频度使用人员，再识别海量人脸底库中所有人员；

2、由于具有二级识别机制，在具体实现过程中，由于部署在设备端的识别算法的识别精度或误检率的问题，采用适当提高设备端人脸识别阈值的方式，以实现设备端高精度人脸识别效果，而采用的轻量级识别模型不变；

3、设备端本机人脸库的活跃度判定、精简机制中，通过二级识别过程中匹配成功的数据来动态更新人员活跃度，再辅以新添加人员的活跃度指数评价保护期机制，动态保证了本机人脸底库（高频使用人员）的有效性；通过设备离线人脸识别、服务端人脸识别二级混合识别机制，以及设备本机活跃度敏感的、保证实用性的本地人脸库机制，很好的解决的大人脸底库识别要求下的速度及精度问题，并可在网络中断、服务端服务能力波峰波谷等异常发生时，保证设备供常用人员进出使用的能力。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是根据本发明示例性实施例的支持高频使用缓冲机制的混合模式人脸识别系统的示意图。

图2是本发明示例性实施例的支持高频使用缓冲机制的混合模式人脸识别方法的流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1所示，根据本发明示例性实施例的人脸识别系统，为一种支持高频使用缓冲机制的混合模式人脸识别系统，通过在本地端部署的人脸缓存库，旨在存储高频使用人员的人脸数据（低频使用数据根据预设方式清除），如此，当设备端检测到人脸时，在本地端即可进行快速识别，不需要都上传到服务器端进行识别，避免服务器端的业务拥堵以及造成的检索比对延时（服务器端部署的识别模型精度高，但底库量大、检索耗时长），利用本地端部署的识别算法模型尤其是轻量级的识别模型进行快速识别，可实现快速的识别。当识别不成功时，继续上传到服务器端进行二次匹配，从而解决识别的效率与精准度的问题，同时兼顾本地端在网络中断以及服务端服务能力波峰波谷等异常发生时，保证设备供常用人员进出使用的能力。

结合图1所示实施例的支持支持高频使用缓冲机制的混合模式人脸识别系统，包括至少一个设备端和至少一个服务器端。

服务器端可采用商用服务器实现，例如采用包括至少一个处理器、存储器以及网络通信模块的服务器实现。至少一个处理器、存储器之间通过总线连接。网络通信模块可采用基于IEEE标准的wifi模块或者基于蜂窝网络的2G、3G、4G、5G通信模块，接入附近的基站提供的网络接入点，与所述至少一个设备端进行数据通信和交互。

结合图1所示，服务器端尤其配置了第一人脸识别算法模块，例如采用网络复杂的高精度识别算法，配置成程序模块或者指令集存储在至少一个存储器中，当接收到来自设备端发送的人脸照片时，由处理器调用执行以进行特征提取和人脸比对，高于预设的人脸比对阈值（即相似度阈值）的，判定识别验证通过，否则判定识别验证不通过。

其中，第一人脸识别算法的识别率通过可达到99.9%以上甚至更高，本发明优选精度、鲁棒性均较高的人脸检测模型，模型较复杂(基于复杂网络)、运行耗时较多，例如例如SSD-VGG检测模型、SSD-ResNet模型、FASTER-RCNN模型等基于VGG网络、R-CNN网络或者ResNet网络训练的模型，或者独立的检测模型，例如CENTER-NET模型。这类识别模型一般不适于在移动设备上实时运行。

在服务器端的人脸识别比对过程中，是与人脸识别底库进行比对的，基于1：N的识别方式进行识别。在本发明的典型应用场景下，人脸识别底库通常具有海量的人脸识别数据，其识别过程相对于轻量级人脸识别模型（小模型）来说相对耗时较长。

在服务器端，还设置有人脸注册模块，例如以程序模块或者指令集的形式存储在至少一个存储器中，当接收到注册的人脸图片时，通过处理器调用执行人脸特征的提取和注册登记，形成人脸识别底库。

同样地，设备端可采用具有摄像装置的识别终端来实现，例如壁挂式终端、站立支撑式识别终端、平板支撑式识别终端。这些识别终端可采用无线或者有线的形式，与网络和/或电源连接。

可选地，识别终端包括处理器、存储器以及网络通信模块。与服务器类似地，识别终端内的处理器和存储器之间通过总线连接。识别终端的网络通信模块可采用基于IEEE标准的wifi模块或者基于蜂窝网络的2G、3G、4G、5G通信模块，接入附近的基站提供的网络接入点，与服务器端进行数据通信和交互。

识别终端内配置有第二人脸识别算法模块，例如采用轻量级的人脸识别算法（也称为小型识别模型，速度快、效率高但误检率相对较高），配置成程序模块或者指令集存储在识别终端的存储器中，当设备端的摄像装置采集到人脸照片时，由终端内的处理器调用执行以进行特征提取和人脸比对，高于预设的人脸比对阈值（即相似度阈值）的，判定识别验证通过，否则判定识别验证不通过，并将采集的人脸照片发送到服务器端进行二次识别。

第二人脸识别算法与第一人脸识别算法为不同的人脸识别算法。

如前述的，第一识别算法尤其优选高精度的识别模型，而第二人脸识别算法优选效率高的轻量型识别模型，例如模型比较简单(网络结构简单)、体积小，运行耗时较少，适合于在移动端使用。

尤其是，第二人脸识别算法是指适于在移动端(例如iPAD、智能手机等移动终端)实时运行的、并且在移动端保持20fps以上的视频流时可实时检测出人脸的模型，例如MTCNN,SSD_MobileNet系列人脸检测模型。

为了实现快速的本地验证以及应对网络中断以及服务端服务能力波峰波谷的情况，保证设备供常用人员进出使用的能力，本发明在设备端内配置有人脸缓存库，用于存储本地高频缓冲人脸特征数据。

与服务器端的人脸识别数据的预先注册方式不同，人脸缓存库内的数据通常来源于实时的添加（例如不存在于人脸识别底库中），或者是部分地从人脸识别底库中进行部署。

例如，在一些应用场景下，对于总公司内部的不同部门/不同分公司，其基于人脸识别的门禁终端系统中，对于某个部门或者分公司的员工来说，作为使用频繁的内部部门员工或者分公司员工来说，其人脸识别数据一方面预先录入注册到公司的人脸识别底库中，另一方面作为一个部署在分公司或者部门本地的门禁系统来说，具有一个部署到本地的设备端，其中部署了快速识别的第二人脸识别算法以及本地的人脸缓冲库，在该人脸缓冲库中预先从公司内部的人脸识别底库中进行部署，将对应的部门员工或者分公司的员工的人脸数据直接部署到本地的人脸缓冲库中，如此可在本地端进行快速的识别，避免将采集的人脸图像送到公司的服务器系统进行人脸认证造成的延时和对服务器的业务拥堵，同时也解决网络中断或者其他数据传输意外造成的识别问题。

在另外的一些实施例中，例如在公司内部的一个部门本地端的设备端未识别出来的人脸照片（例如对应一个员工，也有可能是陌生人），如果在服务器端识别出来了，则继续判断是否存在于在本机的人脸缓存库中，如果存在于人脸缓存库则说明本地因为识别精度不够，未能识别，但服务端识别通过，则更新该人员使用频率标记，活跃度指数+1；如在本机人脸缓存库中并不存在该用户的人脸数据，则推断该人员（例如是公司员工）今后一段时期内可能会持续使用本地端的设备端进行人脸识别，例如是公司内部该部门的新进员工或者临时派遣工作任务等，则直接将该人脸数据添加到本机的人脸缓冲库进行缓冲。

结合图1、2所示，根据本发明的示例的支持高频使用缓冲机制的混合模式人脸识别方法，包括以下步骤：

步骤1、在部署在服务器端与设备端的人脸识别系统中，在设备端部署人脸缓冲库，用于存储本地高频缓冲人脸特征数据；并且在服务器端配置不同的人脸识别算法，服务器端配置第一人脸识别算法，设备端配置第二人脸识别算法；服务器端配置有预先注册的人脸识别底库；

步骤2、设备端持续根据所采集的图像进行人脸检测，当检测到人脸时，提取人脸特征，并以设备端部署的人脸缓冲库为基础，通过第二人脸识别算法进行人脸识别处理；如果识别验证通过，则输出验证通过比对结果，并在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回持续进行人脸检测与识别；如果识别验证不通过，则进入步骤3；

步骤3、将当前采集人脸图像上传到服务器端，在服务器端以人脸识别底库为基础，通过第一人脸识别算法进行人脸识别处理，如果识别验证通过，则进入步骤4，否则输出识别不通过结果，并返回步骤2持续进行人脸检测与识别；

步骤4、根据识别结果对应的人脸特征判定是否是设备端部署的人脸缓冲库中的人员，如果是，则在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回步骤2持续进行人脸检测与识别，如果否，则添加到设备端部署的人脸缓冲库中，并返回步骤2持续进行人脸检测与识别。

优选地，步骤1中，第一人脸识别算法与第二人脸识别算法不同，并且分别配置人脸识别比对过程中的相似度阈值标准。尤其是，设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于服务器端配置的第一人脸识别算法对应的人脸识别相似度阈值K1的值。

优选地，设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于90%。如此，通过相对提高设备端的第二人脸识别算法（即轻量型识别模型）的相似度阈值，从而减小识别的误检率，可在一定程度上提高识别精度，平衡轻量型识别模型的识别效率与识别误检率高的问题。

优选地，方法还包括以下步骤：

对设备端部署的人脸缓冲库进行低频使用人员的清理。

优选地，方法还包括以下步骤：

为设备端部署的人脸缓冲库设定可存储的本地高频缓冲人脸特征数据的上限值Nmax；

在每次执行新添加人脸特征数据到设备端部署的人脸缓冲库时，判断存储的本地高频缓冲人脸特征数据是否达到Nmax，如果达到则按照预设的方式进行低频使用人员的清理，从而保证本地的人脸缓冲库内的人脸特征数据数量，而该数量决定在本地的设备端（即识别终端，例如具有摄像头的iPAD识别终端等）在本地进行1：N识别对比的检索效率，因此通过设定一定规则的人脸缓冲库的进出机制，保持人脸缓冲库大小在适合设备端进行离线比对的程度，可根据部署的第二人脸识别算法的复杂程度和设备端的物理硬件性能进行合理配置。

其中，优选地，在人脸缓存库中对应的人员（对应人脸特征数据）的使用频率标记被配置作为本地的人脸缓冲库内的低频使用人员清理的依据之一。

优选地，按照预设的方式进行低频使用人员的清理包括：

从设备端部署的人脸缓冲库中移除使用频率活跃度低于预设值的数据。

优选地，在进行低频使用人员的清理过程中，执行对新添加人脸数据在活跃度指数评价保护期内不会被意外清除，活跃度指数评价保护期被配置成预先设定。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，包括以下步骤：

步骤1、在部署在服务器端与设备端的人脸识别系统中，在设备端部署人脸缓冲库，用于存储本地高频缓冲人脸特征数据；并且在服务器端配置不同的人脸识别算法，服务器端配置第一人脸识别算法，设备端配置第二人脸识别算法；所述服务器端配置有预先注册的人脸识别底库；

步骤2、设备端持续根据所采集的图像进行人脸检测，当检测到人脸时，提取人脸特征，并以设备端部署的人脸缓冲库为基础，通过第二人脸识别算法进行人脸识别处理；如果识别验证通过，则输出验证通过比对结果，并在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回持续进行人脸检测与识别；如果识别验证不通过，则进入步骤3；

步骤3、将当前采集人脸图像上传到服务器端，在服务器端以人脸识别底库为基础，通过第一人脸识别算法进行人脸识别处理，如果识别验证通过，则进入步骤4，否则输出识别不通过结果，并返回步骤2持续进行人脸检测与识别；

步骤4、根据识别结果对应的人脸特征判定是否是设备端部署的人脸缓冲库中的人员，如果是，则在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度，并返回步骤2持续进行人脸检测与识别，如果否，则添加到设备端部署的人脸缓冲库中，并返回步骤2持续进行人脸检测与识别；

其中，所述方法还包括以下步骤：

为设备端部署的人脸缓冲库设定可存储的本地高频缓冲人脸特征数据的上限值Nmax；

在每次执行新添加人脸特征数据到设备端部署的人脸缓冲库时，判断存储的本地高频缓冲人脸特征数据是否达到Nmax，如果达到则按照预设的方式进行低频使用人员的清理。

2.根据权利要求1所述的支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，所述步骤1中，所述第一人脸识别算法与第二人脸识别算法不同，并且分别配置人脸识别比对过程中的相似度阈值标准。

3.根据权利要求2所述的支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于服务器端配置的第一人脸识别算法对应的人脸识别相似度阈值K1的值。

4.根据权利要求2所述的支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，所述设备端配置的第二人脸识别算法对应的人脸识别相似度阈值K2大于90%。

5.根据权利要求1所述的支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，所述按照预设的方式进行低频使用人员的清理包括：

从设备端部署的人脸缓冲库中移除使用频率活跃度低于预设值的数据。

6.根据权利要求5所述的支持高频使用缓冲机制的混合模式人脸识别方法，其特征在于，在进行低频使用人员的清理过程中，执行对新添加人脸数据在活跃度指数评价保护期内不会被意外清除，所述活跃度指数评价保护期被配置成预先设定。

7.一种支持高频使用缓冲机制的混合模式人脸识别系统，其特征在于，包括至少一个设备端和至少一个服务器端；

所述服务器端配置第一人脸识别算法和人脸识别底库，所述人脸识别底库为预先注册的人脸识别底库；

所述设备端部署第二人脸识别算法和人脸缓冲库，人脸缓冲库用于存储本地高频缓冲人脸特征数据；第二人脸识别算法与第一人脸识别算法为不同的人脸识别算法；所述设备端部署的人脸缓冲库设定有可存储的本地高频缓冲人脸特征数据的上限值Nmax；在每次执行新添加人脸特征数据到设备端部署的人脸缓冲库时，判断存储的本地高频缓冲人脸特征数据是否达到Nmax，如果达到则按照预设的方式进行低频使用人员的清理；

其中，在人脸识别过程中，所述设备端持续根据所采集的图像进行人脸检测，当检测到人脸时，提取人脸特征，并以设备端部署的人脸缓冲库为基础，通过第二人脸识别算法进行人脸识别处理；如果识别验证通过，则输出验证通过比对结果，并在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃度；如果识别验证不通过，则将当前采集人脸图像上传到服务器端；

所述服务器端以人脸识别底库为基础，通过第一人脸识别算法进行人脸识别处理，如果识别验证通过，则根据识别结果对应的人脸特征判定是否是设备端部署的人脸缓冲库中的人员，如果是，则在设备端部署的人脸缓冲库中更新当前识别人脸对应人员的使用频率活跃；否则输出识别不通过结果。

8.根据权利要求7所述的支持高频使用缓冲机制的混合模式人脸识别系统，其特征在于，所述设备端还配置有清理模块，用于对设备端部署的人脸缓冲库进行低频使用人员的清理。

Images