5、低计算物联网系统下的深度学习人脸识别技术

低计算物联网系统下的深度学习人脸识别技术

1. 数据预处理挑战与未来规划

在数据预处理阶段，使用水化工具将数据转换为 CSV 格式时会丢失信息，而且水化工具有时会因数据过载而崩溃。因此，只能手动将 JSONL 文件转换为 CSV 文件，但这给时间序列分析的实时实现带来了挑战。未来计划对全球新冠疫情相关的推特数据进行时间序列聚类分析，以对各个国家进行聚类，从而了解全球范围内各国的相似趋势。

2. 智能城市与物联网应用背景

随着智能城市概念的发展，物联网应用（如面部认证的智能家居门锁安全系统）愈发重要和流行。不过，在物联网设备上实现算法的主要挑战是计算能力不足。目前先进的方法虽能在高端计算单元中成功运行，但通常不适用于被视为物联网设备的树莓派。

3. 树莓派用于智能家居的优势与局限

树莓派作为一种低成本的单板设备，可作为高效的服务平台来解决智能家居建设中的能源和成本瓶颈问题。它能借助网络基础设施，既作为独立计算机设备，又作为物联网设备使用，具备 GPIO、USB 连接器和相机接口，可用于不同应用。然而，树莓派的计算能力较低，这是使用神经网络模型实时处理图像序列的主要障碍。先进的面部检测和识别方法涉及的网络管道，需要额外的图形处理单元（GPU）才能在树莓派上运行，但外部 GPU 会限制树莓派作为物联网设备的使用。

4. 人脸识别技术概述

人脸识别任务包括背景检测和面部识别。常用的面部检测方法有模板匹配方法（如 Haar Cascade）和神经网络（NN），此外还有 Eigenfacial、Gabor Wavelet、Hidden markov model（HMM）、NN 和 Support ve