Smart city surveillance systems are the battery operated light weight Internet of Things (IoT) devices. In such devices, automatic face recognition requires a low powered memory efficient visual computing system. For these real time applications in smart cities, efficient visual recognition systems are need of the hour. In this manuscript, efficient fast subspace decomposition over Chi Square transformation is proposed for IoT based on smart city surveillance systems. The proposed technique extracts the features for visual recognition using local binary pattern histogram. The redundant features are discarded by applying the fast subspace decomposition over the Gaussian distributed Local Binary Pattern (LBP) features. This redundancy is major contributor to memory and time consumption for battery based surveillance systems. The proposed technique is suitable for all visual recognition applications deployed in IoT based surveillance devices due to higher dimension reduction. The validation of proposed technique is proved on the basis of well-known databases. The technique shows significant results for all databases when implemented on Raspberry Pi. A comparison of the proposed technique with already existing/reported techniques for the similar applications has been provided. Least error rate is achieved by the proposed technique with maximum feature reduction in minimum time for all the standard databases. Therefore, the proposed algorithm is useful for real time visual recognition for smart city surveillance.

智能城市监控系统是电池供电的轻型物联网 (IoT) 设备。在此类设备中，自动人脸识别需要低功耗的内存高效视觉计算系统。对于智慧城市中的这些实时应用，高效的视觉识别系统是当务之急。在这份手稿中，针对基于智慧城市监控系统的物联网提出了基于卡方变换的高效快速子空间分解。所提出的技术使用局部二进制模式直方图提取视觉识别的特征。通过对高斯分布式局部二进制模式 (LBP) 特征应用快速子空间分解来丢弃冗余特征。这种冗余是基于电池的监视系统的内存和时间消耗的主要贡献者。由于更高的维度减少，所提出的技术适用于部署在基于物联网的监控设备中的所有视觉识别应用。在知名数据库的基础上证明了所提出技术的有效性。当在 Raspberry Pi 上实施时，该技术显示了所有数据库的显着结果。已经提供了所提出的技术与用于类似应用的现有/报告的技术的比较。所提出的技术在所有标准数据库的最短时间中最大限度地减少了特征，从而实现了最低错误率。因此，所提出的算法可用于智能城市监控的实时视觉识别。在知名数据库的基础上证明了所提出技术的有效性。当在 Raspberry Pi 上实施时，该技术显示了所有数据库的显着结果。已经提供了所提出的技术与用于类似应用的现有/报告的技术的比较。所提出的技术在所有标准数据库的最短时间中最大限度地减少了特征，从而实现了最低错误率。因此，所提出的算法可用于智能城市监控的实时视觉识别。在知名数据库的基础上证明了所提出技术的有效性。当在 Raspberry Pi 上实施时，该技术显示了所有数据库的显着结果。已经提供了所提出的技术与用于类似应用的现有/报告的技术的比较。所提出的技术在所有标准数据库的最短时间中最大限度地减少了特征，从而实现了最低错误率。因此，所提出的算法可用于智能城市监控的实时视觉识别。所提出的技术在所有标准数据库的最短时间中最大限度地减少了特征，从而实现了最低错误率。因此，所提出的算法可用于智能城市监控的实时视觉识别。所提出的技术在所有标准数据库的最短时间中最大限度地减少了特征，从而实现了最低错误率。因此，所提出的算法可用于智能城市监控的实时视觉识别。