利用MapReduce模型訓(xùn)練支持向量機(jī)的人臉識(shí)別方法.pdf

1、人臉識(shí)別作為一種典型的生物特征鑒別方式,已經(jīng)成為模式識(shí)別領(lǐng)域中一個(gè)重要的研究方向,具有廣闊的應(yīng)用前景。近年來(lái)移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展對(duì)人臉識(shí)別的應(yīng)用也隨之產(chǎn)生了新的需求,可是傳統(tǒng)的人臉識(shí)別方法由于運(yùn)算量較大,在移動(dòng)環(huán)境下對(duì)內(nèi)存容量、電池續(xù)航能力等硬件的要求較高,難以應(yīng)對(duì)移動(dòng)互聯(lián)網(wǎng)環(huán)境下的大數(shù)據(jù)量處理。
　　基于統(tǒng)計(jì)特征的人臉識(shí)別方法是最常用的方法。為了研究基于統(tǒng)計(jì)學(xué)習(xí)理論的分類(lèi)器在人臉識(shí)別中的識(shí)別率,本文分別對(duì)基于支持向量機(jī)的人臉識(shí)別

2、方法與基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法進(jìn)行了研究,Bagging算法指出訓(xùn)練多個(gè)支持向量機(jī)再生成單一支持向量機(jī)進(jìn)行人臉識(shí)別的方式能夠獲得更好的識(shí)別率。MapReduce模型是由Google最早發(fā)布的一種支持大規(guī)模數(shù)據(jù)并行處理的編程模型,具有實(shí)現(xiàn)簡(jiǎn)單、擴(kuò)展性好的特點(diǎn),且利用MapReduce模型能夠很好地實(shí)現(xiàn)Bagging算法思想。本文據(jù)此提出了利用MapReduce模型在Hadoop平臺(tái)訓(xùn)練支持向量機(jī)進(jìn)行人臉識(shí)別的方法,對(duì)人臉識(shí)別這種多分類(lèi)問(wèn)

3、題提出了針對(duì)多類(lèi)支持向量機(jī)的“一對(duì)多”法與“一對(duì)一”法的訓(xùn)練策略,即在Map階段對(duì)分片的輸入樣本生成多個(gè)支持向量機(jī),再將滿足條件的支持向量交給Reducer處理,得到最終用于識(shí)別的支持向量機(jī)。本文對(duì)樣本量大小不同的三組數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)均顯示出“一對(duì)一”法和“一對(duì)多”法的訓(xùn)練速度在MapReduce模型下都獲得了提升。樣本數(shù)量越大,兩種方法在識(shí)別率與訓(xùn)練速度上的表現(xiàn)都更加優(yōu)越,其中“一對(duì)一”法比“一對(duì)多”法在MapReduce模型下的識(shí)別率