11、基于云计算和AI边缘的物联网人脸识别系统

基于云计算和AI边缘的物联网人脸识别系统

1. 引言

随着物联网的快速发展，越来越多的视觉传感器被连接到网络中。这些视觉传感器广泛应用于安全、医疗保健等领域，尤其在面部识别方面。传统的基于云的面部识别系统虽然结构简单且设备成本低，但存在显著的延迟问题。当网络状态不佳时，上传图像数据会受到很大干扰，导致延迟严重。此外，云中心处理大量图像数据时的计算开销也非常大。本文提出了一种结合边缘人工智能和云计算的面部识别系统（AE-FRS），旨在显著减少基于云的面部识别解决方案的响应延迟，同时降低成本并简化安装。

2. 问题形成

在基于云的面部识别系统中，响应延迟主要由以下几个部分组成：
- 图像传输时间（ttrans） ：视觉传感器将图像数据上传到云中心的时间。
- 等待时间（twait） ：云中心处理图像数据的队列等待时间。
- 识别时间（trec） ：云中心进行面部识别的时间。

公式 1展示了响应延迟的计算方式：
[ t_{delay} = t_{trans} + t_{wait} + t_{rec} ]

为了减少响应延迟，本文提出了一种基于边缘AI和云计算的人脸识别系统（AE-FRS），利用边缘AI的强大计算能力完成部分图像预处理工作，从而大大减少云中心的计算负担和响应时间。

3. AE-FRS系统架构

3.1 预处理步骤

AE-FRS系统通过在边缘设备上进行预处理，减少了云中心的计算负担。预处理主要分为以下四个步骤： </