简介：摘要：随着人脸识别技术的不断成熟，该技术在城市轨道交通行业的应用场景日益显著。人脸识别过闸服务如果严重依赖云平台服务，一旦出现网络通信故障就会导致系统失去可用性。本文设计支持网络降级使用的人脸识别计算架构，使得端侧在失去网络连接后依然能够提供人脸识别过闸服务。针对车站服务器的离线人脸识别模式，对基于乘客通行大数据的人脸库迁移策略进行了研究，根据终端离线人脸识别模式的特点，提出了终端阵列协同分库计算的现场人脸识别模式。实验结果表明，本文设计的计算架构能够提高系统的稳定性和终端离线识别模式下的端侧计算规模和计算能力。

简介：摘 要：在云平台网络版人脸识别计算模式下，识别引擎存在多种形式，不同的供应商以及同一个供应商有不同的识别算法引擎版本，为了使得云平台能够支持多种不同类型的终端接入，本文设计了一种支持多种人脸识别引擎互操作的迁移计算模式。针对人脸识别功能的端和云的部署位置的不同，提出并设计了“胖端+轻云”和“瘦端+重云”两种典型计算架构，并以和为例，统计在不同的识别引擎下，两种架构的响应时间以及相似度信息。实验结果表明，设计出的两种架构均能满足人脸识别的准确性的要求，并且能够提供实时的人脸识别响应服务。

简介：摘 要：在云平台网络版人脸识别计算模式下，识别引擎存在多种形式，不同的供应商以及同一个供应商有不同的识别算法引擎版本，为了使得云平台能够支持多种不同类型的终端接入，本文设计了一种支持多种人脸识别引擎互操作的迁移计算模式。针对人脸识别功能的端和云的部署位置的不同，提出并设计了“胖端+轻云”和“瘦端+重云”两种典型计算架构，并以 和 为例，统计在不同的识别引擎下，两种架构的响应时间以及相似度信息。实验结果表明，设计出的两种架构均能满足人脸识别的准确性的要求，并且能够提供实时的人脸识别响应服务。