1.一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,其特征在于,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。
2.根据权利要求1所述的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,其特征在于,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、访问的日期数以及访问的分钟数。
3.根据权利要求1所述的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,其特征在于,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。
4.根据权利要求1所述的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,其特征在于,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。
5.根据权利要求4所述的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,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Qai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,即得到总的压力预测数据Di。