边缘计算模块

边缘计算模块部署在物联网终端附近的边缘计算节点负责进一步处理和分析本地数据，基于ResNet预训练模型对原始数据中的人脸进行识别，通过迁移学习的方式，提高了人脸识别的精度和处理效率，基于遗传算法对视频处理服务进行分析，使得边缘计算节点的视频处理服务的时延降低，并且有较高的资源利用率。

人脸识别技术

基于ResNet预训练模型对原始数据中的人脸进行识别，通过迁移学习的方式，提高了人脸识别的精度和处理效率，具体为：

• 将人脸识别拆分为特征提取和特征比对两部分
• 在建立人脸特征库的过程中，通过特征提取算法将人脸检测得到的人脸特征提取出来
• 基于ResNet预训练模型的人脸识别，结合本申请场景的数据集进行增量训练
• 将全连接层的输出作为特征向量存储到数据库中
• 后续运行人脸识别服务时，只需通过特征提取得到人脸向量再与数据库中的人脸特征向量进行对比

人脸识别流程

• 获取视频数据，拆分数据帧得到待检测的图片
• 使用训练过的Dlib人脸检测模型进行人脸检测，并标注图片
• 通过特征提取算法提取出人脸的特征向量
• 将特征向量传输到数据库，并进行特征比对
• 判断特征向量与数据库中人脸特征的欧氏距离
• 若小于设定好的距离阈值，则找到距人脸数据库中欧氏距离最小的特征向量
• 若大于阈值，则表明视频数据中为非法人物

数据增强技术

对图片数据进行增强，通过利用摄像头进行人脸的多角度拍摄，在图片拍摄后，通过调整RGB参数、亮度、对比度等来增加数据集的多样性，除了采用色彩调节这个基础但十分有效的数据增强技术，此外还使用了翻转、裁剪、缩放、移位和高斯噪声等主要技术。

遗传算法优化

边缘计算模块基于遗传算法对视频处理服务进行分析，使得边缘计算节点的视频处理服务的时延降低，并且有较高的资源利用率，具体为：

• 设终端设备设置有N个，边缘计算节点需要对每个终端设备提供的视频数据进行分析处理
• 假设每个视频处理服务都有对应的K个微服务，需要寻找任意个(1-K)边缘计算节点
• 将K个微服务调度到这些边缘计算节点上
• 使用二维的矩阵进行编码，矩阵的形状是N*3，每一行表示一个微服务链在边缘计算节点的部署情况

遗传算法步骤

• a、按照编码规则初始化边缘计算节点种群后，根据适应度函数挑选出父代边缘计算节点
• b、通过轮转赌方法选出母代边缘计算节点，再通过交叉点选择算法算出当前迭代次数的交叉点位置
• c、通过交叉产生子代边缘计算节点后再与父代边缘计算节点进行比较，若不满足父代边缘计算节点的适应度，则舍弃该子代边缘计算节点
• d、重复交叉过程，并且按概率完成变异操作，直到子代边缘计算节点的数量为种群大小NUM，则表示完成一次迭代，迭代完毕后得到适应度最高的边缘计算节点
• e、对得到适应度最高的边缘计算节点进行综合评估，判断该边缘计算节点的适应度是否达到要求