人臉識別系統雖然不是一個新興事物，但是放在社會和科技的大背景下依然有新的看點，在GPU集群時代之前，人臉識別依賴的是具備抓拍和識別功能的IPC，或者模擬攝像機+盒子的模式，此時的IPC或者盒子造價高，但是新建部署簡單，具有一定的市場。

在大數據時代，在前端完成圖像處理被稱為“邊緣計算”，這一架構再加上后端的業務應用，呈現如下組網方式：

邊緣計算模式組網圖

隨著網絡技術的發展，視頻實時傳輸的大面積推廣，伴隨著GPU服務器的出現，另一種系統架構出現了，那就是利舊普通視頻攝像機，采用后端接入GPU服務器進行統一人臉識別與分析的方式，由于對已有視頻網絡改動小，部署更簡單，也具有一定的市場。

這種架構在落地時，圖像處理系統與數據分析系統就成了后端“鄰居”：

后端集中分析模式組網圖

現如今的人臉識別項目在落地時，是向左，采用后端集中分析的方式，還是向右，采用邊緣計算的方式，這是每一個從業者都在思考的問題。但 “條條大路通羅馬”，邊緣計算與后端集群，無論是從技術上還是從業務上，各有優劣。

采用邊緣計算的方式，人臉識別和比對均在前端完成，后臺只負責任務調度和告警后處理，其優勢在于輕量化部署，對傳輸的要求低，甚至可以做到微波傳輸，而強大的前端也可以變得更加便攜，集成在移動巡邏車上，單兵設備上，甚至民用級無人機上，應用場景被極大的拓展。

其不足在于，前端受體積和功率限制，以目前的科技水平仍無法做到大規模布控和多目標實時比對，FPGA的算力和擴展性畢竟無法與專業GPU計算卡相比，而把專業的GPU計算卡放在前端，數量和功率都將受到極大的限制。所以邊緣計算的人臉識別方案更適合于少目標、少接入、小場景、要求機動性的業務場景中應用。

采用后端集群的方式，人臉識別抓拍（不帶屬性檢測）可在前端或后端進行，對人臉圖片的分析和結構化均交由后臺強大的GPU集群來完成，如此可實現大規模甚至超大規模（百億級數據）的布控和實時分析，接入視頻路數的限制只在于GPU集群的擴展能力，而一般GPU集群都具備強大的橫向擴展能力。同時，這一方式對前端攝像機的要求極低（甚至可以采用老舊的模擬攝像機）。在平安城市或智慧社區的改造項目中，采用這種方式可以更好地利舊已有前端，并且繼續使用已有視頻管理系統，對現網的改動小，易于部署。

但是這種方式的缺點也很明顯，即對傳輸網絡要求較高，如果采用普通視頻流攝像機接入，視頻網絡的壓力非常大。同時，后端處理的方式受限于GPU集群的硬件環境，不具備機動性。因此，后端集群的人臉識別方案適合于海量目標、海量接入、海量數據、多場景、不要求機動性的業務場景中應用。

在如今的安防市場，這兩種方案均有其適合的生存土壤和空間，且完全可以形成業務互補。