利用MapReduce模型訓練支持向量機的人臉識別方法.pdf

1、人臉識別作為一種典型的生物特征鑒別方式,已經(jīng)成為模式識別領域中一個重要的研究方向,具有廣闊的應用前景。近年來移動互聯(lián)網(wǎng)的迅速發(fā)展對人臉識別的應用也隨之產(chǎn)生了新的需求,可是傳統(tǒng)的人臉識別方法由于運算量較大,在移動環(huán)境下對內(nèi)存容量、電池續(xù)航能力等硬件的要求較高,難以應對移動互聯(lián)網(wǎng)環(huán)境下的大數(shù)據(jù)量處理。
　　基于統(tǒng)計特征的人臉識別方法是最常用的方法。為了研究基于統(tǒng)計學習理論的分類器在人臉識別中的識別率,本文分別對基于支持向量機的人臉識別

2、方法與基于神經(jīng)網(wǎng)絡的人臉識別方法進行了研究,Bagging算法指出訓練多個支持向量機再生成單一支持向量機進行人臉識別的方式能夠獲得更好的識別率。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,具有實現(xiàn)簡單、擴展性好的特點,且利用MapReduce模型能夠很好地實現(xiàn)Bagging算法思想。本文據(jù)此提出了利用MapReduce模型在Hadoop平臺訓練支持向量機進行人臉識別的方法,對人臉識別這種多分類問

3、題提出了針對多類支持向量機的“一對多”法與“一對一”法的訓練策略,即在Map階段對分片的輸入樣本生成多個支持向量機,再將滿足條件的支持向量交給Reducer處理,得到最終用于識別的支持向量機。本文對樣本量大小不同的三組數(shù)據(jù)進行的實驗均顯示出“一對一”法和“一對多”法的訓練速度在MapReduce模型下都獲得了提升。樣本數(shù)量越大,兩種方法在識別率與訓練速度上的表現(xiàn)都更加優(yōu)越,其中“一對一”法比“一對多”法在MapReduce模型下的識別率