1.一种基于云边端协同的人脸识别方法，其特征在于，包括：将人脸识别模型划分为若干个逻辑层，获取每个逻辑层在端设备上的计算时延以及每个逻辑层输出的数据量；构建所述人脸识别模型的计算图模型，所述计算图模型将逻辑层作为计算图模型的顶点，根据逻辑层输出的数据量构建顶点之间的边；从端设备获取当前的网络带宽，根据每个逻辑层的计算时延、输出的数据量以及所述网络带宽计算所述计算图模型完成单次计算过程的计算时间，以所述计算时间最小化为优化目标获取人脸识别模型的最优分割点；其中，以端设备运行人脸识别模型的最大功率 R max 为约束，获取计算第 i 层逻辑层的计算能耗 C 1,i 和数据传输能耗 P i ，约束条件为： ； ；其中，k是与硬件架构相关的常数， 是信道噪声， 是相应的瑞利衰落信道系数， 为CPU计算第i层逻辑层所需的周期数， 为数据传输功率， 为数据传输时间，f为CPU频率；根据所述最优分割点调整所述人脸识别模型，在端设备上计算所述最优分割点之前的所有逻辑层，并将所述最优分割点和计算逻辑层产生的数据量同步至边；根据所述最优分割点和计算逻辑层产生的数据量，由边对最优分割点之后的所有逻辑层进行计算，将所述最优分割点之后的所有逻辑层计算产生的数据和所述最优分割点发送至云，通过云完成所述人脸识别模型的计算，输出识别结果。
2.根据权利要求1所述的一种基于云边端协同的人脸识别方法，其特征在于，在对人脸识别模型进行划分时，根据人脸识别模型的网络结构，将并行计算层具有跳转结构的层作为一个逻辑层。
3.根据权利要求1所述的一种基于云边端协同的人脸识别方法，其特征在于，在端设备上使用测试图像数据对所述人脸识别模型中前若干层的逻辑层进行计算，获取所述前若干层的逻辑层中每个逻辑层在端设备上的计算时延以及每个逻辑层输出的数据量。
4.根据权利要求3所述的一种基于云边端协同的人脸识别方法，其特征在于，根据每个逻辑层的计算时延、输出的数据量以及所述网络带宽计算所述计算图模型完成单次计算过程的计算时间，包括：从端设备获取当前的网络带宽 B ；计算图模型共 n 层，获取第 i 层逻辑层的计算时延 E i ，通过第 i 层逻辑层输出的数据量 D i 和网络带宽 B 获取数据传输时延；获取所述计算图模型完成单次计算过程的计算时间 T total ： 。
5.根据权利要求1所述的一种基于云边端协同的人脸识别方法，其特征在于，根据所述分割点和计算逻辑层产生的数据量，由边对分割点之后的人脸识别模型进行计算，并获取实时的网络通信带宽；当网络通信带宽大于等于带宽阈值后，将当前人脸识别模型计算产生的数据和所述分割点发送至云。
6.根据权利要求5所述的一种基于云边端协同的人脸识别方法，其特征在于，云根据从边接收到的计算数据和所述分割点，根据人脸识别模型进行计算，将获取的图像数据与人脸注册库进行匹配，并输出识别结果。
7.一种基于云边端协同的人脸识别系统，其特征在于，包括：划分模块，用于将人脸识别模型划分为若干个逻辑层，获取每个逻辑层在端设备上的计算时延以及每个逻辑层输出的数据量；计算图模型构建模块，用于构建所述人脸识别模型的计算图模型，所述计算图模型将逻辑层作为计算图模型的顶点，根据逻辑层输出的数据量构建顶点之间的边；分割点求解模块，用于从端设备获取当前的网络带宽，根据每个逻辑层的计算时延、输出的数据量以及所述网络带宽计算所述计算图模型完成单次计算过程的计算时间，获取所述计算时间为最小值时逻辑层的分割点作为最优分割点；其中，以端设备运行人脸识别模型的最大功率 R max 为约束，获取计算第 i 层逻辑层的计算能耗 C 1,i 和数据传输能耗 P i ，约束条件为： ； ；其中，k是与硬件架构相关的常数， 是信道噪声， 是相应的瑞利衰落信道系数， 为CPU计算第i层逻辑层所需的周期数， 为数据传输功率， 为数据传输时间，f为CPU频率；协同计算模块，用于根据所述最优分割点调整所述人脸识别模型，计算所述最优分割点之前的所有逻辑层，并将所述最优分割点和计算逻辑层产生的数据同步至边；根据所述最优分割点和计算逻辑层产生的数据量，由边对最优分割点之后的所有逻辑层进行计算，将所述最优分割点之后的所有逻辑层计算产生的数据和所述最优分割点发送至云，通过云完成所述人脸识别模型的计算，输出识别结果。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于云边端协同的人脸识别方法的步骤。
