基于代理的實時分布式人臉識別的性能優(yōu)化.pdf

1、目前，人臉識別系統(tǒng)已經(jīng)廣泛的應用在各個領域中，隨著人臉識別系統(tǒng)需要處理的視頻規(guī)模逐漸增大，傳統(tǒng)的集中式人臉識別方法在時間效率和可擴展性等方面已經(jīng)不能滿足需求。針對目前人臉識別系統(tǒng)無法同時處理多個視頻的問題，提出基于代理的實時分布式人臉識別模型，該模型由多個代理和一個服務器組成。代理能夠同時對多個視頻中的行人進行檢測、跟蹤以及特征提取，服務器則對視頻中的行人執(zhí)行識別操作。該模型有效的提高了人臉識別的效率，并且增加了可擴展性。
　　針

2、對代理處理的任務分布不均而導致處理視頻時間過長、任務量過大引起的CPU利用率激增問題，設計了代理端的負載均衡來進行性能優(yōu)化。針對負載均衡問題，分別提出了一種改進的粒子群優(yōu)化算法和一種新型的遺傳算法。針對粒子群優(yōu)化算法的收斂性問題，引入收斂因子并去掉慣性權重，另外，為了保證算法得到最優(yōu)解增加了擾動策略。針對傳統(tǒng)遺傳算法在種群多樣性方面以及迭代次數(shù)的問題，本文結合樣本的個數(shù)以及染色體的長度提出了改進的遺傳算法。通過大量的仿真實驗，結果表明對

3、代理端的任務量進行任務均衡后可以有效的提高處理視頻的時間，并且明顯降低了負擔較重的代理的CPU利用率。
　　另外，針對代理處理的任務量發(fā)生動態(tài)變化而導致代理任務不均衡的問題，本文提出了動態(tài)優(yōu)化分配方法來保持代理端的任務均衡。為了能夠確保每次動態(tài)優(yōu)化分配的準確性，本文提出了一種預測機制來預測某一時刻視頻中的行人個數(shù)，針對預測機制，使用極限學習機來預測視頻中行人的個數(shù)，根據(jù)預測數(shù)據(jù)進行動態(tài)優(yōu)化分配可以有效的減小在任務量發(fā)生突變時產(chǎn)生的