使用Azure Face API从本地存储中的面部列表中查找匹配面

Question

我正在从Azure页面阅读文档和API，但我仍然不确定我的问题是否正确。

脚本

我们的本地存储空间中有大约1M张ID照片。每个ID只包含一个人。

我们希望在拍摄身份证照片时实施基本验证。然后，小应用程序将使用Azure Face API查看我们拥有的那些1M身份证照片并返回匹配的照片，如果我们在同一个人中有同一个人，则返回是否存储ID。

为了做到这一点，我相信我们需要编写软件来做下面的事情

1. 将所有照片上传到Azure
2. 创建大型FaceLift？
3. 训练模型
4. 然后我们可以做面部识别或面对类似

以上步骤是否正确？

如果我使用上面的方法，这意味着我需要使用'面部存储'来保持持久面部ID吗？

1.有没有办法避免面部存储费用？因为保持1M图像会花费很多

2. 当我确认将计算多少交易？是否算作1？

我正在考虑使用容器认知，因此它可以在本地运行并使用本地存储。

这有助于我节省面​​部存储成本吗？当我运行容器时，不需要支付存储空间。我只需支付交易费用，如检测，验证。

我很欢迎任何有关此领域的新评论，请指导我。

Answer 1

您的工作流程总体上是正确的：

• 创建一个大型人员组
• 将每张照片ID作为一个人添加到具有面部的组中（这是两个API调用：创建人员+添加人脸）
• 培训人员组（并不时检查培训状态，因为它会很长）
• 使用识别进行搜索

您应该考虑的唯一事情是您的大人物组的架构。当您需要添加/删除/更新组时，为1M人使用单个单片LPG将是一个杀手。每次变更的培训时间都很长。一个策略（用于添加新人）将添加一个“交易”LPG - 一个较小的LPG，包括所有每小时/每日/每周（无论对你有用）添加，以便您可以快速培训更改。您将在“主要”和“交易”LPG上运行搜索（识别），然后在将“交易”“提交”到主LPG中时进行一次。 see here in the Face API docs

至于你的其他问题：

• 无法避免派生面数据的存储成本
• 每个API调用都是一个事务：创建LPG，创建人员，添加人脸，训练，获取列车状态等
• 我没有使用Cognitive Container功能的经验，但我相信API调用的定价完全相同。