我正在使用flask-python框架，opencv和face_recognition库进行人脸识别。我正在尝试使用python -opencv运行网络摄像头，如果在框架中检测到人脸，则会将其发送到后端，在该处处理框架并进行人的识别，但是此带响应的api调用大约需要0.3秒，这种延迟导致网络摄像头的顺畅滞后。
我想要的是网络摄像头连续运行，并且当在框架中检测到人脸时，它不应阻止网络摄像头流的自由流动，而是应在后台分别处理该框架，而主要线程正在运行网络摄像头。
在这方面的任何帮助都将受到赞赏
答案 0 :(得分：0)
您可以采取许多措施来解决此问题，
不要将每一帧都传递给检测，很可能是您使用的网络摄像头质量很好，可以提供30FPS或更高的帧率，您不需要如此高的FPS进行实时检测，您可以做的只是发送第3或第4帧进行检测，对于其他帧，只需在流中绘制旧框即可，这将为您提供足够准确的预测
将模型转移到GPU，face_recognition使您可以选择使用CPU和GPU（仅限cnn），将其转移到任何可用的GPU上均可加快处理过程
调整输入帧的大小，您实际上不需要1080p HD帧来检测帧，像480p这样的较小帧也可以（尽管这完全取决于您的问题），调整帧的大小并使其更小，输入矩阵越小
对您的操作进行矢量化处理，而不是使用默认的face_recognition API进行身份比较，我建议您以numpy编写矢量化版本的比较代码，该代码可在大型矩阵中计算L2距离，而不必循环执行，这将节省大量的计算成本。
限制每人的比较次数。您可能有一个人A的10个嵌入和人B的10个嵌入，用这20个嵌入中的每一个找到未知嵌入的距离，可能在计算上昂贵，诉诸于做类似的事情，取平均嵌入，或这些嵌入的质心，通过将它们聚类