人脸识别一直是计算机视觉领域学术研究和工程应用的重点课题,学者们一直在探索如何在海量人脸图像中鉴定身份。如今监控摄像头广泛的应用于维护治安和犯罪监控,基于监控视频的人脸识别,可用于重点人物追踪和大规模人脸检索,对于公安、安防和海关等领域具有重要意义。而监控视频的路数较多,基于监控视频流的人脸识别在需要保证识别准确率的同时,还需要满足高吞吐率、高容错性和实时响应的要求。基于流计算框架Storm和分布式消息队列Kafka等实时处理技术,设计的分布式实时监控视频流处理平台,用于对海关监控视频流中的人脸进行实时分析以鉴别“水客”。在系统的实时性方面,首先保证人脸识别相关算法本身的实时性,主要包括人脸检测和对齐、人脸特征提取和人脸检索要满足实时性要求。在人脸检测及对齐算法中,采用级联CNN思想设计的三个卷积神经网络用于人脸检测及关键点的检测。在人脸特征提取算法上,基于残差块设计的32层卷积神经网络模型在人脸验证公开数据集LFW上实施人脸验证的准确性为99.42%,并且提取一个人脸特征仅需要几毫秒,可以很好的满足实时性的要求。统计分析表明,在整个视频流的处理过程中,在大规模人脸库中筛选出候选集用于后续的精确匹配的过程成为了系统瓶颈,而基于深度哈希方法的快速人脸识别解决方案可以很好的解决这个瓶颈问题。对比多分段哈希索引算法和基于GPU加速的哈希查找算法不同场景下的检索效率,实验结果表明,当哈希位数较小或数据规模较大时,多分段索引算法具有更高的查询效率,否则,基于GPU加速的哈希查找算法表现更优。