我正在使用flask-python框架，opencv和face_recognition库来做人脸识别。我正在尝试使用 python -opencv 运行网络摄像头，如果在帧中检测到人脸，它将被发送到处理帧并执行该人的识别的后端，但这个带有响应的 api 调用大约需要 0.3 秒，这种延迟导致网络摄像头流畅流动的滞后。
我想要的是网络摄像头连续运行，当在帧中检测到人脸时，它不应该阻止网络摄像头流的自由流动，而是在主线程运行时在后台单独处理此帧的处理网络摄像头。
非常感谢这方面的任何帮助
您可以采取许多措施来解决此问题，
-
不要将每一帧都传递到检测中，很可能您使用的是良好的网络摄像头，它可以为您提供 30FPS 或更高，您不需要如此高的 FPS 进行实时检测，您可以做的是，仅发送每 3 或第 4 帧进行检测，而对于其他帧，只需将旧框绘制到流中， 这将为您提供足够准确的预测
-
将您的模型转移到 GPU，face_recognition让您在使用 CPU 和 GPU(仅限 CNN(之间进行选择，将其转移到任何可用的 GPU 上将加快该过程
-
调整输入帧的大小，您真的不需要 1080p 高清帧来检测帧，像 480p 这样更小的东西也可以(尽管这完全取决于您的问题(，调整帧大小并使其变小，输入矩阵越小越快
-
矢量化你的操作，而不是使用默认的face_recognition API进行身份比较，我建议你在numpy中编写一个矢量化版本的比较，计算大矩阵中的L2距离，而不必循环进行，这将节省大量的计算成本。
-
限制每个人的比较次数。你可以有 10 个人 A 的嵌入和 10 个人 B 的嵌入，找到这 20 个嵌入中的每一个的未知嵌入的距离，计算成本可能很高，比如通过聚类来获取平均嵌入或这些嵌入的质心