一种适用人脸识别算法的边缘计算工程处理方法和装置

1.本发明涉及人脸识别领域，特别涉及为一种适用人脸识别算法的边缘计算工程处理方法和装置。


背景技术：

2.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。边缘计算提供的主要好处之一是它提供比云计算低得多的延迟。低延迟对于需要实时数据处理和分析的应用程序至关重要，其中每一毫秒都很重要。尽管某些应用程序可能需要100毫秒的延迟，但有些关键任务应用程序需要显着减少延迟，而这只能通过边缘计算来实现，边缘计算提供更低的延迟，因为边缘计算机通常部署在靠近数据生成源的地方，从而缩短了数据进行处理和分析所需的距离，而人脸识别恰好需要进行延迟减少，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。
3.因此有必要提出一种适用人脸识别算法的边缘计算工程处理方法和装置，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，以提高人脸识别系统的速度。


技术实现要素：

4.本发明旨在解决提高人脸识别系统识别速度的问题，提供一种适用人脸识别算法的边缘计算工程处理方法和装置。
5.本发明为解决技术问题采用如下技术手段：本发明提供一种适用人脸识别算法的边缘计算工程处理方法，包括：基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点；采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征；其中，所述分析具体为基于人脸中心区域为坐标轴向各个方向拆分图像层以获取特征点坐标；所述人脸数据特征具体为五官；采集数据特征点坐标；其中，所述数据特征点坐标具体为以人脸中心区域为坐标轴的人脸各个区域的特征点坐标；基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据。
6.进一步地，所述采集数据特征点坐标的步骤中，包括：基于已获得的人脸数据特征采集所述人脸数据特征中的数据特征点；所述数据特征点具体为人脸五官基于人脸中心区域的坐标位置；捕捉所述人脸数据特征中的独特特征；所述独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹；
基于所述人脸数据布局所述独特特征的坐标，获得所述独特特征的坐标轴方位；所述坐标轴方位具体为以人脸中心区域布局的x、y轴方位。
7.进一步地，所述采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征的步骤中，包括：基于预设的高斯矩阵对所述人脸待处理数据进行卷积；所述高斯矩阵由高斯函数生成，具体为；基于所述高斯矩阵的坐标原点g为中心基点，以所述坐标原点水平向右的坐标列为x点，向上的坐标列为y点。
8.进一步地，所述基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点的步骤前，包括：通过所述预设的人脸识别处理终端对视频进行数据获取，获得可采集所述人脸图像数据的人脸检测区域；捕捉所述人脸检测区域中的人脸图像数据；所述人脸图像数据包括正脸数据和侧脸数据。
9.进一步地，所述基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据的步骤中，包括：基于人脸中心区域并根据所述人脸数据特征和特征点坐标布局人脸特征；所述人脸特征包括五官基于人脸中心区域为坐标轴的五个坐标方位；将所述人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据。
10.进一步地，所述将所述人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据的步骤中，包括：若获取所述人脸特征为眼部数据，则将所述眼部数据输入到梯度模型中进行投影，投影出所述眼部数据的眼睛部分；所述眼睛部分具体为眼睛带有的特征，包括眼皮、眼睫毛和眼袋；其中，所述投影模型是利用已知的眼部数据，基于卷积神经网络训练得到；若获取所述人脸特征为鼻部数据，则将所述鼻部数据输入到梯度模型中进行投影，投影出所述鼻部数据的鼻子部分；所述鼻子部分具体为鼻子带有的特征，包括鼻头、鼻翼和鼻孔；其中，所述投影模型是利用已知的鼻部数据，基于卷积神经网络训练得到；若获取所述人脸特征为嘴部数据，则将所述嘴部数据输入到梯度模型中进行投影，投影出所述嘴部数据的嘴部部分；所述嘴部部分具体为嘴巴带有的特征，包括嘴唇和嘴角；其中，所述投影模型是利用已知的嘴部数据，基于卷积神经网络训练得到；若获取所述人脸特征为眉部数据，则将所述眉部数据输入到梯度模型中进行投影，投影出所述眉部数据的眼眉部分；所述眼眉部分具体为眉毛带有的特征，包括眉心和眉峰；其中，所述投影模型是利用已知的眉部数据，基于卷积神经网络训练得到；若获取所述人脸特征为耳部数据，则将所述耳部数据输入到梯度模型中进行投影，投影出所述耳部数据的耳朵部分；所述耳朵部分具体为耳朵带有的特征，包括耳高和耳垂；其中，所述投影模型是利用已知的耳部数据，基于卷积神经网络训练得到。
11.进一步地，所述基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点的步骤中，包括：获取所需识别的人脸数据；
将所述人脸数据分化成所述边缘节点可最佳容纳的数据以进行分析；所述可最佳容纳的数据具体为边缘节点获取分化的人脸数据为分析速度最佳的数据容量。
12.本发明还提供一种适用人脸识别算法的边缘计算工程处理装置，包括：第一分流模块，用于基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点；第一分析模块，用于采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征；其中，所述分析具体为基于人脸中心区域为坐标轴向各个方向拆分图像层以获取特征点坐标；所述人脸数据特征具体为五官。
13.第一采集模块，用于采集数据特征点坐标；其中，所述数据特征点坐标具体为以人脸中心区域为坐标轴的人脸各个区域的特征点坐标；第一获取模块，用于基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据。
14.进一步地，还包括：第一获取单元，用于基于已获得的人脸数据特征采集所述人脸数据特征中的数据特征点；所述数据特征点具体为人脸五官基于人脸中心区域的坐标位置；第一捕捉单元，用于捕捉所述人脸数据特征中的独特特征；所述独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹；第二获取单元，用于基于所述人脸数据布局所述独特特征的坐标，获得所述独特特征的坐标轴方位；所述坐标轴方位具体为以人脸中心区域布局的x、y轴方位。
15.进一步地，还包括：第一卷积单元，用于基于预设的高斯矩阵对所述人脸待处理数据进行卷积；所述高斯矩阵由高斯函数生成，具体为；基于所述高斯矩阵的坐标原点g为中心基点，以所述坐标原点水平向右的坐标列为x点，向上的坐标列为y点。
16.本发明提供了适用人脸识别算法的边缘计算工程处理方法和装置，具有以下有益效果：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，以提高人脸识别系统的速度，避免出现人脸识别系统的延迟高、网络负载的问题，并且成本低，准确率高。
附图说明
17.图1为本发明适用人脸识别算法的边缘计算工程处理方法一个实施例的流程示意图；图2为本发明适用人脸识别算法的边缘计算工程处理装置一个实施例的结构框图。
具体实施方式
18.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，本发明为目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
19.下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.参考附图1，为本发明一实施例中的适用人脸识别算法的边缘计算工程处理方法，包括：s1：基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点；s2：采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征；其中，所述分析具体为基于人脸中心区域为坐标轴向各个方向拆分图像层以获取特征点坐标；所述人脸数据特征具体为五官；s3：采集数据特征点坐标；其中，所述数据特征点坐标具体为以人脸中心区域为坐标轴的人脸各个区域的特征点坐标；s4：基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据。
21.在本实施例中，基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点的步骤s1中包括，获取所需识别的人脸数据，将人脸数据分化成边缘节点可最佳容纳的数据以进行分析，可最佳容纳的数据具体为边缘节点获取分化的人脸数据为分析速度最佳的数据容量；采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征的步骤s2中包括，基于预设的高斯矩阵对人脸待处理数据进行卷积，高斯矩阵由高斯函数生成，具体为，基于高斯矩阵的坐标原点g为中心基点，以坐标原点水平向右的坐标列为x点，向上的坐标列为y点；采集数据特征点坐标的步骤s3中包括，基于已获得的人脸数据特征采集人脸数据特征中的数据特征点，数据特征点具体为人脸五官基于人脸中心区域的坐标位置，捕捉人脸数据特征中的独特特征，独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹，基于人脸数据布局独特特征的坐标，获得独特特征的坐标轴方位，坐标轴方位具体为以人脸中心区域布局的x、y轴方位；基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据的步骤s4中包括，基于人脸中心区域并根据人脸数据特征和特征点坐标布局人脸特征，人脸特征包括五官基于人脸中心区域为坐标轴的五个坐标方位，将人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据。
22.在本实施例中，采集数据特征点坐标的步骤s3中，包括：s31：基于已获得的人脸数据特征采集所述人脸数据特征中的数据特征点；所述数据特征点具体为人脸五官基于人脸中心区域的坐标位置；s32：捕捉所述人脸数据特征中的独特特征；所述独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹；s33：基于所述人脸数据布局所述独特特征的坐标，获得所述独特特征的坐标轴方位；所述坐标轴方位具体为以人脸中心区域布局的x、y轴方位。
23.在本实施例中，通过已获取的人脸数据特征即五官特征基于人脸中心区域以采集五官特征对应的特征点，例如眼部的眼皮、眼袋或眼珠位于人脸中心区域坐标轴的（x，y）点坐标；而后基于人脸中心区域捕捉五官特征中的独特特征，例如是疤痕、斑点或皱纹基于人
脸中心区域的坐标位置，但是这些独特特征有些是不平整的，不局限于（x，y）坐标点，可能有多个坐标点，例如皱纹基于人脸中心区域中有凹凸痕，由于皱纹的四边不相对称，所以捕捉皱纹的坐标时应采用双坐标轴，即四坐标点，分别用（x1，y1）和（x2，y2）表示；例如斑点和疤痕基于人脸中心区域中也可能有凹痕，基于斑点和疤痕的状况判断是否需要采用双坐标轴，如若斑点和疤痕不带有凹凸痕迹，则不需要；如若有，则需要。
24.在本实施例中，采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征的步骤s2中，包括：s21：基于预设的高斯矩阵对所述人脸待处理数据进行卷积；所述高斯矩阵由高斯函数生成，具体为；基于所述高斯矩阵的坐标原点g为中心基点，以所述坐标原点水平向右的坐标列为x点，向上的坐标列为y点。
25.在本实施例中，具体为高斯矩阵的矩阵尺寸；具体为基于坐标轴的单位向量i，具体为具体为基于坐标轴的单位向量j。
26.在本实施例中，高斯矩阵中的n*n的矩阵，即基于人脸中心区域设立的矩阵，矩阵范围设定为人脸范围，通过将人脸的图像特征即五官特征在高斯矩阵中进行卷积，以获取完整的人脸图像特征基于人脸中心区域的各个坐标方位，例如以人脸中心区域（0，0）为矩阵中心，捕捉其他图像的特征时以矩阵中心作为坐标原点获取其他图像的坐标方位，例如需要获取以人脸中心区域为中点的居于中点上方的眼部坐标原点，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为眼部在人脸中有两处，而获取的获取的坐标原点水平向上的坐标列y点只能为+点，因为眼部处于人脸中心区域的上方；在另一实施例中，例如需要获取以人脸中心区域为中点的居于中点下方的嘴部，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为嘴部基于人脸中心区域为坐标轴时涉及的坐标在中部，而获取的获取的坐标原点水平向上的坐标列y点只能为-点，因为嘴部处于人脸中心区域的下方；在另一实施例中，例如需要获取以人脸中心区域为中点的居于中心点的鼻部，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为鼻部基于人脸中心区域为坐标轴时涉及的坐标在中部，而获取的获取的坐标原点水平向上的坐标列y点也可以为
±
点，因为鼻部基于人脸中心区域正中，没有上下方之分。
27.在本实施例中，基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点的步骤s1前，包括：s101：通过所述预设的人脸识别处理终端对视频进行数据获取，获得可采集所述人脸图像数据的人脸检测区域；s102：捕捉所述人脸检测区域中的人脸图像数据；所述人脸图像数据包括正脸数据和侧脸数据。
28.在本实施例中，通过人脸识别处理终端对人脸检测区域进行数据捕捉，以获取人脸检测区域中采集人脸的区域数据，通过捕捉的人脸图像数据为正脸数据或侧脸数据时，
将捕捉到的人脸图像数据通过人脸识别处理终端分布至边缘节点中进行边缘计算数据处理，以获取人脸图像数据中基于人脸中心区域的各个坐标方位及特征点。
29.在另一实施例中，如若捕捉到的人脸图像数据为正脸数据时，即人脸中心区域以眉弓水平线为上横线，以下唇唇红缘中点处作水平线为下横线，以双侧外眦处作两条垂直线，上述四条线围绕的中央部分，即鼻部为中心区；如若捕捉到人脸图像数据为侧脸数据时，此时的人脸中心区域如果能捕捉到鼻部，则以鼻部为人脸中心区域；如果无法捕捉到鼻部，则以人脸的脸颊边界为人脸中心区域，以获取除鼻部外的其他人脸数据。
30.在本实施例中，基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据的步骤s4中，包括：s41：基于人脸中心区域并根据所述人脸数据特征和特征点坐标布局人脸特征；所述人脸特征包括五官基于人脸中心区域为坐标轴的五个坐标方位；s42：将所述人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据。
31.在本实施例中，以人脸中心区域为坐标原点（0，0）捕捉人脸局部区域的其他数据特征，例如除人脸中心区域（即鼻部）的眼部区域数据特征、嘴部区域数据特征、眉部区域数据特征和耳部区域数据特征；已知鼻部的坐标为（0，0），即以鼻部为人脸中心区域的双眼的坐标为（-x，y）和（x，y），眉部以人脸中心区域的双眉的坐标为（-x，y）和（x，y），耳部以人脸中心区域的双耳坐标为（-x，y）和（x，y），嘴部以人脸中心区域的嘴巴坐标可以为（-x，y）也可以为（x，y），因为嘴部基于人脸中心区域处于中心区域的下方，即嘴部基于坐标原点既为x，也为-x。
32.在本实施例中，将所述人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据的步骤s42：中，包括：s421：若获取所述人脸特征为眼部数据，则将所述眼部数据输入到梯度模型中进行投影，投影出所述眼部数据的眼睛部分；所述眼睛部分具体为眼睛带有的特征，包括眼皮、眼睫毛和眼袋；其中，所述投影模型是利用已知的眼部数据，基于卷积神经网络训练得到；s422：若获取所述人脸特征为鼻部数据，则将所述鼻部数据输入到梯度模型中进行投影，投影出所述鼻部数据的鼻子部分；所述鼻子部分具体为鼻子带有的特征，包括鼻头、鼻翼和鼻孔；其中，所述投影模型是利用已知的鼻部数据，基于卷积神经网络训练得到；s423：若获取所述人脸特征为嘴部数据，则将所述嘴部数据输入到梯度模型中进行投影，投影出所述嘴部数据的嘴部部分；所述嘴部部分具体为嘴巴带有的特征，包括嘴唇和嘴角；其中，所述投影模型是利用已知的嘴部数据，基于卷积神经网络训练得到；s424：若获取所述人脸特征为眉部数据，则将所述眉部数据输入到梯度模型中进行投影，投影出所述眉部数据的眼眉部分；所述眼眉部分具体为眉毛带有的特征，包括眉心和眉峰；其中，所述投影模型是利用已知的眉部数据，基于卷积神经网络训练得到；s425：若获取所述人脸特征为耳部数据，则将所述耳部数据输入到梯度模型中进行投影，投影出所述耳部数据的耳朵部分；所述耳朵部分具体为耳朵带有的特征，包括耳高和耳垂；其中，所述投影模型是利用已知的耳部数据，基于卷积神经网络训练得到。
33.在本实施例中，基于已获取的人脸中心区域数据特征和人脸局部区域数据特征，
采集人脸中心区域和局部区域中的特征点数据，例如中心区域的特征点为鼻头、鼻翼和鼻孔，采集特征点数据时同样以人脸中心区域为坐标原点采集特征点坐标方位；例如眼部区域的特征点包括眼皮、眼睫毛和眼袋，嘴部区域的特征点包括嘴唇和嘴角，眉部区域的特征点包括眉心和眉峰，耳部区域的特征点包括耳高和耳垂，采集特征点数据时同样以人脸中心区域为坐标原点采集特征点坐标方位；采集完毕后输入至投影模型中进行投影，基于所有采集的坐标方位以获取完整的人脸数据。
34.在本实施例中，基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点的步骤s1中，包括：s11：获取所需识别的人脸数据；s12：将所述人脸数据分化成所述边缘节点可最佳容纳的数据以进行分析；所述可最佳容纳的数据具体为边缘节点获取分化的人脸数据为分析速度最佳的数据容量。
35.在本实施例中，将捕捉到的人脸图像数据进行识别，识别为可分析数据时，即将人脸图像数据分布至边缘节点中进行分析；其中，由于边缘节点处理速度因数据大小受限制，所以分布人脸图像数据时基于边缘节点处理速度最快的基准下分布数据；而捕捉到的人脸图像数据中，若识别到的人脸图像数据为不可分析数据时，例如人脸图像模糊、人脸带有墨镜或人脸带有口罩的情况发生时，此时不会将人脸图像数据分布到边缘节点中，通过重新多次捕捉人脸图像数据以再次进行识别。
36.参考附图2，为本发明一实施例中适用人脸识别算法的边缘计算工程处理装置，包括：第一分流模块10，用于基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点；第一分析模块20，用于采用所述边缘节点对所述人脸待处理数据进行分析，获得人脸数据特征；其中，所述分析具体为基于人脸中心区域为坐标轴向各个方向拆分图像层以获取特征点坐标；所述人脸数据特征具体为五官。
37.第一采集模块30，用于采集数据特征点坐标；其中，所述数据特征点坐标具体为以人脸中心区域为坐标轴的人脸各个区域的特征点坐标；第一获取模块40，用于基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据。
38.在本实施例中，第一分流模块10基于预设的人脸识别处理终端将人脸待处理数据分流至边缘节点，获取所需识别的人脸数据，将人脸数据分化成边缘节点可最佳容纳的数据以进行分析，可最佳容纳的数据具体为边缘节点获取分化的人脸数据为分析速度最佳的数据容量；采用所述边缘节点对所述人脸待处理数据进行分析，第一分析模块20获得人脸数据特征，基于预设的高斯矩阵对人脸待处理数据进行卷积，高斯矩阵由高斯函数生成，具体为，基于高斯矩阵的坐标原点g为中心基点，以坐标原点水平向右的坐标列为x点，向上的坐标列为y点；第一采集模块30采集数据特征点坐标，基于已获得的人脸数据特征采集人脸数据特征中的数据特征点，数据特征点具体为人脸五官基于人脸中心区域的坐标位置，捕捉人脸数据特征中的独特特征，独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹，基于人脸数据布局独特特征的坐标，获得独特特征的
坐标轴方位，坐标轴方位具体为以人脸中心区域布局的x、y轴方位；第一获取模块40基于所述边缘节点整合所述人脸数据特征和特征点坐标以获取人脸数据，基于人脸中心区域并根据人脸数据特征和特征点坐标布局人脸特征，人脸特征包括五官基于人脸中心区域为坐标轴的五个坐标方位，将人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据。
39.在本实施例中，还包括：第一获取单元，用于基于已获得的人脸数据特征采集所述人脸数据特征中的数据特征点；所述数据特征点具体为人脸五官基于人脸中心区域的坐标位置；第一捕捉单元，用于捕捉所述人脸数据特征中的独特特征；所述独特特征包括但不限于是人脸五官中独有的斑点、疤痕或皱纹；第二获取单元，用于基于所述人脸数据布局所述独特特征的坐标，获得所述独特特征的坐标轴方位；所述坐标轴方位具体为以人脸中心区域布局的x、y轴方位。
40.在本实施例中，通过已获取的人脸数据特征即五官特征基于人脸中心区域以采集五官特征对应的特征点，例如眼部的眼皮、眼袋或眼珠位于人脸中心区域坐标轴的（x，y）点坐标；而后基于人脸中心区域捕捉五官特征中的独特特征，例如是疤痕、斑点或皱纹基于人脸中心区域的坐标位置，但是这些独特特征有些是不平整的，不局限于（x，y）坐标点，可能有多个坐标点，例如皱纹基于人脸中心区域中有凹凸痕，由于皱纹的四边不相对称，所以捕捉皱纹的坐标时应采用双坐标轴，即四坐标点，分别用（x1，y1）和（x2，y2）表示；例如斑点和疤痕基于人脸中心区域中也可能有凹痕，基于斑点和疤痕的状况判断是否需要采用双坐标轴，如若斑点和疤痕不带有凹凸痕迹，则不需要；如若有，则需要。
41.在本实施例中，还包括：第一卷积单元，用于基于预设的高斯矩阵对所述人脸待处理数据进行卷积；所述高斯矩阵由高斯函数生成，具体为；基于所述高斯矩阵的坐标原点g为中心基点，以所述坐标原点水平向右的坐标列为x点，向上的坐标列为y点。
42.在本实施例中，高斯矩阵中的n*n的矩阵，即基于人脸中心区域设立的矩阵，矩阵范围设定为人脸范围，通过将人脸的图像特征即五官特征在高斯矩阵中进行卷积，以获取完整的人脸图像特征基于人脸中心区域的各个坐标方位，例如以人脸中心区域（0，0）为矩阵中心，捕捉其他图像的特征时以矩阵中心作为坐标原点获取其他图像的坐标方位，例如需要获取以人脸中心区域为中点的居于中点上方的眼部坐标原点，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为眼部在人脸中有两处，而获取的获取的坐标原点水平向上的坐标列y点只能为+点，因为眼部处于人脸中心区域的上方；在另一实施例中，例如需要获取以人脸中心区域为中点的居于中点下方的嘴部，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为嘴部基于人脸中心区域为坐标轴时涉及的坐标在中部，而获取的获取的坐标原点水平向上的坐标列y点只能为-点，因为嘴部处于人脸中心区域的下方；在另一实施例中，例如需要获取以人脸中心区域为中点的居于中心点的鼻部，则获取的坐标原点水平向右的坐标列x点可以为
±
点，因为鼻部基于人脸中心区域为坐标轴时涉及的坐标在中部，而获取的获取的坐标原点水平向上的坐标列y点也可以为
±
点，因为
鼻部基于人脸中心区域正中，没有上下方之分。
43.在本实施例中，还包括：第二获取模块，用于通过所述预设的人脸识别处理终端对视频进行数据获取，获得可采集所述人脸图像数据的人脸检测区域；第一捕捉模块，用于捕捉所述人脸检测区域中的人脸图像数据；所述人脸图像数据包括正脸数据和侧脸数据。
44.在本实施例中，通过人脸识别处理终端对人脸检测区域进行数据捕捉，以获取人脸检测区域中采集人脸的区域数据，通过捕捉的人脸图像数据为正脸数据或侧脸数据时，将捕捉到的人脸图像数据通过人脸识别处理终端分布至边缘节点中进行边缘计算数据处理，以获取人脸图像数据中基于人脸中心区域的各个坐标方位及特征点。
45.在另一实施例中，如若捕捉到的人脸图像数据为正脸数据时，即人脸中心区域以眉弓水平线为上横线，以下唇唇红缘中点处作水平线为下横线，以双侧外眦处作两条垂直线，上述四条线围绕的中央部分，即鼻部为中心区；如若捕捉到人脸图像数据为侧脸数据时，此时的人脸中心区域如果能捕捉到鼻部，则以鼻部为人脸中心区域；如果无法捕捉到鼻部，则以人脸的脸颊边界为人脸中心区域，以获取除鼻部外的其他人脸数据。
46.在本实施例中，还包括：第一布局单元，用于基于人脸中心区域并根据所述人脸数据特征和特征点坐标布局人脸特征；所述人脸特征包括五官基于人脸中心区域为坐标轴的五个坐标方位；第三获取单元，用于将所述人脸特征输入至预设的梯度模型中进行投影，获取到对应的人脸数据。
47.在本实施例中，以人脸中心区域为坐标原点（0，0）捕捉人脸局部区域的其他数据特征，例如除人脸中心区域（即鼻部）的眼部区域数据特征、嘴部区域数据特征、眉部区域数据特征和耳部区域数据特征；已知鼻部的坐标为（0，0），即以鼻部为人脸中心区域的双眼的坐标为（-x，y）和（x，y），眉部以人脸中心区域的双眉的坐标为（-x，y）和（x，y），耳部以人脸中心区域的双耳坐标为（-x，y）和（x，y），嘴部以人脸中心区域的嘴巴坐标可以为（-x，y）也可以为（x，y），因为嘴部基于人脸中心区域处于中心区域的下方，即嘴部基于坐标原点既为x，也为-x。
48.在本实施例中，还包括：第一投影单元，用于若获取所述人脸特征为眼部数据，则将所述眼部数据输入到梯度模型中进行投影，投影出所述眼部数据的眼睛部分；所述眼睛部分具体为眼睛带有的特征，包括眼皮、眼睫毛和眼袋；其中，所述投影模型是利用已知的眼部数据，基于卷积神经网络训练得到；第二投影单元，用于若获取所述人脸特征为鼻部数据，则将所述鼻部数据输入到梯度模型中进行投影，投影出所述鼻部数据的鼻子部分；所述鼻子部分具体为鼻子带有的特征，包括鼻头、鼻翼和鼻孔；其中，所述投影模型是利用已知的鼻部数据，基于卷积神经网络训练得到；第三投影单元，用于若获取所述人脸特征为嘴部数据，则将所述嘴部数据输入到梯度模型中进行投影，投影出所述嘴部数据的嘴部部分；所述嘴部部分具体为嘴巴带有的特征，包括嘴唇和嘴角；其中，所述投影模型是利用已知的嘴部数据，基于卷积神经网络训
练得到；第四投影单元，用于若获取所述人脸特征为眉部数据，则将所述眉部数据输入到梯度模型中进行投影，投影出所述眉部数据的眼眉部分；所述眼眉部分具体为眉毛带有的特征，包括眉心和眉峰；其中，所述投影模型是利用已知的眉部数据，基于卷积神经网络训练得到；第五投影单元，用于若获取所述人脸特征为耳部数据，则将所述耳部数据输入到梯度模型中进行投影，投影出所述耳部数据的耳朵部分；所述耳朵部分具体为耳朵带有的特征，包括耳高和耳垂；其中，所述投影模型是利用已知的耳部数据，基于卷积神经网络训练得到。
49.在本实施例中，基于已获取的人脸中心区域数据特征和人脸局部区域数据特征，采集人脸中心区域和局部区域中的特征点数据，例如中心区域的特征点为鼻头、鼻翼和鼻孔，采集特征点数据时同样以人脸中心区域为坐标原点采集特征点坐标方位；例如眼部区域的特征点包括眼皮、眼睫毛和眼袋，嘴部区域的特征点包括嘴唇和嘴角，眉部区域的特征点包括眉心和眉峰，耳部区域的特征点包括耳高和耳垂，采集特征点数据时同样以人脸中心区域为坐标原点采集特征点坐标方位；采集完毕后输入至投影模型中进行投影，基于所有采集的坐标方位以获取完整的人脸数据。
50.在本实施例中，还包括：第四获取单元，用于获取所需识别的人脸数据；第一分析单元，用于将所述人脸数据分化成所述边缘节点可最佳容纳的数据以进行分析；所述可最佳容纳的数据具体为边缘节点获取分化的人脸数据为分析速度最佳的数据容量。
51.在本实施例中，将捕捉到的人脸图像数据进行识别，识别为可分析数据时，即将人脸图像数据分布至边缘节点中进行分析；其中，由于边缘节点处理速度因数据大小受限制，所以分布人脸图像数据时基于边缘节点处理速度最快的基准下分布数据；而捕捉到的人脸图像数据中，若识别到的人脸图像数据为不可分析数据时，例如人脸图像模糊、人脸带有墨镜或人脸带有口罩的情况发生时，此时不会将人脸图像数据分布到边缘节点中，通过重新多次捕捉人脸图像数据以再次进行识别。
52.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。