一种基于边缘计算和最大似然估计的人脸识别系统优化方法与流程

本发明涉及计算机视觉领域，具体涉及一种基于边缘计算和最大似然估计的人脸识别系统优化方法，特别是涉及一种使用边缘计算和最大似然估计的知识优化人脸识别系统的方法。

背景技术：

现有技术中，人脸识别是人工智能与计算机视觉交叉的一个重要领域，对人脸识别系统的评价往往从准确率，成本，速度等角度进行。同时，随着边缘计算浪潮而兴起的边缘智能也在越来越吸引人们的关注；边缘智能具有低时延，减少网络负载，降低成本，保护隐私等重要优势。但大多数现有的边缘智能的研究往往关注于普适的计算任务，没有聚焦到具体的场景和应用，而人脸识别系统也没有和边缘计算中的优化方法进行深度融合，因此本发明将人脸识别技术与边缘计算相融合，使用边缘计算的方法对人脸识别系统进行优化，以降低边缘端人脸识别系统的成本，提高速度。

技术实现要素：

针对上述问题，本发明提供了一种基于边缘计算和最大似然估计的人脸识别系统优化方法；本发明聚焦于在例如打卡签到系统等具有区域化特征的应用场景下构建高效的边缘端人脸识别系统，目的在于在使用云服务的同时又充分挖掘边缘端设备的计算能力，通过边缘端和云端的交互优化，实现一个成本低，识别准确率高，应对大压力冲击能力强的人脸识别系统。

本发明的技术方案是：一种基于边缘计算和最大似然估计的人脸识别系统优化方法，具体操作过程的步骤如下：

步骤(1.1)：从历史压力数据库中获取历史访问数据，根据获取到的历史访问数据预测未来24h内人脸识别系统的压力情况，

步骤(1.2)：从图像采集模块中获取图像数据，并对图像数据进行预处理，

步骤(1.3)：在边缘计算模块中根据人脸识别系统的压力情况分配计算力；当预计压力小时，则对预处理后的图像数据进行本地人脸检测与特征提取，并将其与人脸数据库中原始的数据信息相对比，从而进行本地人脸识别；

当预计压力大时，则调用人脸识别云服务api，将预处理后的图像数据作为云服务的输入数据；

步骤(1.4)：从本地人脸识别或人脸识别云服务api中获取识别出人脸信息的结果，并将获取的结构返回到人脸识别系统。

进一步的，所述步骤(1.1)中，将获取的每条历史访问数据记录为(ai，wi，ti)，所述(ai，wi，ti)分别表示访问人的编号、访问的日期数(以从1月1号起的天数记)以及访问的分钟数(从0到1439，表示一天内从0时0分起到访问时经过的分钟数)。

进一步的，所述步骤(1.2)中，所述的预处理：是指将图像数据尺寸剪裁到224*224，并对剪裁过的图像数据进行灰度化。

进一步的，步骤(1.3)中所述边缘计算模块的计算过程具体步骤如下：

(1.3.1)：预测过程开始，从历史压力数据库中获取历史压力数据，对历史压力数据进行k-means聚类，再进行参数估计及概率密度叠加，从而得到未来24小时内每一分钟的压力预测数据，将压力预测数据等待后续使用，同时预测结束；

(1.3.2)：以一分钟为一个时间单位，一个新的时间单位开始；

(1.3.3)：等待用户开始进行人脸识别，当用户输入图像数据之后，将用户本次的访问数据加入历史压力数据库并对图像进行预处理；

(1.3.4)：获得预处理过的图像数据后，将压力预测数据与边缘端进行人脸识别服务最大压力承受能力进行对比，

如边缘端的人脸识别足够处理，则调用本地人脸识别方案，反之，则调用人脸识别云服务api；

(1.3.5)：从本地人脸识别方案或人脸识别云服务api中收集返回数据并返回人脸识别结果；

查询一个时间单位是否结束，如结束，则更新当前时间单位的压力预测数据，即获取下一个时间单位的压力情况预测值，开始下一个时间单位，否则返回(1.3.3)继续等待用户开始进行人脸识别。

进一步的，其特征在于，步骤(1.3.1)中所述的压力预测数据的计算步骤具体如下：

(1.3.1.1)：设所有历史访问数据构成的集合为s，每个人分别编号1到n,记录每个人的在与本日同星期数的访问数据的集合分别为qi，获取本日的星期数，w；

(1.3.1.2)：获取s中的一个新的元素(ai，wi，ti)，将日期wi转化为星期数w′i；

(1.3.1.3)：如果星期数w′i＝w，则将数据ti加入到中；

(1.3.1.4)：用记录ai的总访问次数，

(1.3.1.5)：如果当前元素是新的一天，则

(1.3.1.6)：如果没有遍历s中的所有元素，回到(1.3.1.2)；

(1.3.1.7)：对于每个人i，计算

(1.3.1.8)：对于使用k-means进行聚类，分成k个类，每一类用集合ji表示；

(1.3.1.9)：对于每个ji中的元素，使用正态分布的极大似然估计公式得到μ和σ；

(1.3.1.10)：使用高斯积分计算以μ为中心，σ为方差的正态分布在每分钟上的概率，用表示第j个人在第i分钟预计可能造成的压力；

(1.3.1.11)：如果没有遍历每个人，返回(1.3.1.7)；

(1.3.1.12)：将每个人计算出的概率密度进行叠加，即n得到总的压力预测数据di。

本发明的有益效果是：1、本发明使用云服务的同时又充分挖掘了边缘端设备的计算能力，减少了计算能力的浪费；2、本发明与纯粹使用云平台人脸识别服务相比，将一部分计算压力卸载到本地端，减少了系统的成本；3、本发明与纯粹使用本地端人脸识别系统相比，将超出计算能力的压力转移到云端，使得人脸识别系统可以应对更大的压力冲击。

附图说明

图1是本发明中人脸识别系统的结构流程图；

图2是本发明的边缘计算模块的的结构流程图；

图3是本发明中压力预测的计算方法流程图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将对本发明中进行进一步的叙述；显而易见地，下面描述中的仅仅是一部分的实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些将本发明所述的技术方案应用于其它类似情景；为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所述；一种基于边缘计算和最大似然估计的人脸识别系统优化方法，具体操作过程的步骤如下：

步骤(1.1)：在一天开始时，即0点0分时，从历史压力数据库中获取历史访问数据，根据获取到的历史访问数据预测未来24h内人脸识别系统的压力情况，步骤(1.2)：从图像采集模块中获取图像数据，并对图像数据进行预处理，

步骤(1.3)：在边缘计算模块中根据人脸识别系统的压力情况分配计算力；当预计压力小时，则对预处理后的图像数据进行本地人脸检测与特征提取，并将其与人脸数据库中原始的数据信息相对比，从而进行本地人脸识别；

当预计压力大时，则调用人脸识别云服务api，将预处理后的图像数据作为云服务的输入数据；

步骤(1.4)：从本地人脸识别或人脸识别云服务api中获取识别出人脸信息的结果，并将获取的结构返回到人脸识别系统。

进一步的，所述步骤(1.1)中，将获取的每条历史访问数据记录为(ai，wi，ti)，所述(ai，wi，ti)分别表示访问人的编号、访问的日期数(以从1月1号起的天数记)以及访问的分钟数(从0到1439，表示一天内从0时0分起到访问时经过的分钟数)。

进一步的，所述步骤(1.2)中，所述的预处理：是指将图像数据尺寸剪裁到224*224，并对剪裁过的图像数据进行灰度化。

如图2所述，进一步的，步骤(1.3)中所述边缘计算模块的计算过程具体步骤如下：

(1.3.1)：在每天开始的时候，即0点0分时，开始一次预测过程，从历史压力数据库中获取历史压力数据，对历史压力数据进行k-means聚类，再进行参数估计及概率密度叠加，从而得到未来24小时内每一分钟的压力预测数据，将压力预测数据等待后续使用，同时预测结束；

(1.3.2)：以一分钟为一个时间单位，每分钟的第0秒，一个新的时间单位开始；

(1.3.3)：等待用户开始进行人脸识别，当用户输入图像数据之后，将用户本次的访问数据加入历史压力数据库并对图像进行预处理；

(1.3.4)：获得预处理过的图像数据后，将压力预测数据与边缘端进行人脸识别服务最大压力承受能力进行对比，

如边缘端的人脸识别足够处理，则调用本地人脸识别方案，反之，则调用人脸识别云服务api；

(1.3.5)：从本地人脸识别方案或人脸识别云服务api中收集返回数据并返回人脸识别结果；

查询一个时间单位是否结束，如结束，则更新当前时间单位的压力预测数据，即获取下一个时间单位的压力情况预测值，开始下一个时间单位，否则返回(1.3.3)继续等待用户开始进行人脸识别。

进一步的，其特征在于，步骤(1.3.1)中所述的压力预测数据的计算步骤具体如下：

(1.3.1.1)：设所有历史访问数据构成的集合为s，每个人分别编号1到n,记录每个人的在与本日同星期数的访问数据的集合分别为qi，获取本日的星期数，w；

(1.3.1.2)：获取s中的一个新的元素(ai，wi，ti)，将日期wi转化为星期数w′；

(1.3.1.3)：如果星期数w′i＝w，则将数据ti加入到中；

(1.3.1.4)：用记录ai的总访问次数，

(1.3.1.5)：如果当前元素是新的一天，则

(1.3.1.6)：如果没有遍历s中的所有元素，回到(1.3.1.2)；

(1.3.1.7)：对于每个人i，计算

(1.3.1.8)：对于使用k-means进行聚类，分成k个类，每一类用集合ji表示；

(1.3.1.9)：对于每个ji中的元素，使用正态分布的极大似然估计公式得到μ和σ；

(1.3.1.10)：使用高斯积分计算以μ为中心，σ为方差的正态分布在每分钟上的概率，用表示第j个人在第i分钟预计可能造成的压力；

(1.3.1.11)：如果没有遍历每个人，返回(1.3.1.7)；

(1.3.1.12)：将每个人计算出的概率密度进行叠加，即n得到总的压力预测数据di。

本发明的操作流程是：首先选择两个边缘端的移动计算设备；然后选择调用何种人脸识别云服务api，可以选择任意一个商业化的人脸识别云服务api或者选择部署非商业化的人脸识别云服务并自行设定api；准备可以实时采集图像数据的图像采集模块；在边缘端的计算设备上，一个部署本地人脸识别和人脸识别云服务api的调用方法，另一个作为边缘计算模块，部署本发明中提及的边缘计算模块的方法。

本发明的工作实施例是：

由于可以使用边缘计算优化的应用都具有一定的区域化特征，比如打卡签到系统，因此本发明合理假设每个人访问人脸识别系统的时间是沿着时间中心服从正态分布的；由于上下班打卡签到系统的压力分布往往是以多个时间为中心，分布在这些时间周围的，这些时间点可能是上班时间，下班时间或者午休时间等时间中心；因此本发明在处理数据后使用k-means聚类确认各个时间中心，然后基于正态部分的极大似然估计确定每个中心的平均值和方差，并以此计算出概率密度的分布情况的叠加作为总体压力的预测值。

在人脸识别打卡签到系统中，本发明的方法能够在一定程度上预测接下来一段时间内的系统面临的压力，并且根据本地端和云端的不同方案的效率，在保证能够面临压力的前提下，选择成本最低而准确率相对较高的方案；本发明优化的人脸识别系统使用云服务的同时又充分挖掘了边缘端设备的计算能力，通过边缘端和云端的交互优化；可以将普通的本地端人脸识别系统或者纯粹的云平台人脸识别系统优化成一个成本低，识别准确率高，应对大压力冲击能力强的人脸识别系统。

本发明的目标是设计基于边缘计算和最大似然估计的人脸识别系统优化方法。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。