随着生物特征身份认证技术的发展,无接触式掌纹识别的高识别率、低侵犯性和无接触性等优点,使其得到了越来越广泛的关注.为了满足边缘环境下多设备实时高效的处理需求,本文设计了一套基于边缘计算的紧致化掌纹识别框架,分别在终端设备层、边缘服务器层、云层搭建掌纹识别子系统.在终端设备层采用基于Tiny YOLO-v3的目标识别算法和基于MobilenetV2的关键点定位算法对采集图像进行预处理,提取掌纹ROI(region of interest),并提出识别请求.在边缘服务器层,对接受到的掌纹ROI利用基于对抗度量学习的GoogLeNet模型进行特征提取和特征匹配,在返回识别结果后进行数据同步.在云层,数据中心将会对所有的识别任务记录日志并归入数据库,同时定时训练更新终端设备和边缘设备的网络模型,以提高系统的跨领域识别能力.该框架是一套完整可行的生物特征识别框架,具有广阔的市场前景和应用价值.
随着智能化时代的到来,以自动饮料售卖机、自动地铁售票机、ATM机等为代表的智能服务终端对人们的生活起到了越来越重要的作用,对智能服务终端进行全面有效的测试以防止其可能出现的各种错误,提升用户体验变得十分重要.针对目前软件版本更新频繁、开发与测试难以对接、边开发边测试导致的测试工作量庞大且难以规范化等问题,根据智能服务终端状态及状态迁移特征明显的特点,提出一种在规格说明不充分、软件快速迭代需要不断回归测试情况下仍能被高效使用的测试方案——基于FSM(finite state machine)的探索性自适应测试.该方法首先通过探索性测试获得待测系统的状态及迁移信息,然后把它们建模成FSM,根据模型及已经执行过的测试用例,以状态及状态迁移覆盖为准则生成测试用例,在测试过程中不断地对测试模型及相应的测试用例进行自适应调整.基于该方法,通过集成开源软件Graphwalker,搭建了一个实验平台,选择了10种不同种类的常用智能服务终端,通过实验评估其有效性.实验结果表明,该方法生成的测试用例数量少,测试充分性程度高,可以高效地发现智能服务终端系统中存在的缺陷和问题.
暂无评论