论文部分内容阅读
这是一个大数据的时代,数据的快速增长,已经不是过去靠着一台机器就可以完美处理的时代了。为了适应时代的数据处理需求,人脸识别作为模式识别的一个老课题也需要做出新的变化。为了适应这种变化,作者实验室以当今最为流行的分布式技术Hadoop构建了云计算平台,并在上面实现了人脸识别系统。本文完成的主要工作如下:1.以5台机器以Master/Slaver的结构,在linux系统下配置好网络、文件,并安装好相关的软件,从而完成Hadoop分布式系统的构建。2.基于人脸识别的整体架构,就特征提取和分类器设计两方面分析了各种常用人脸识别算法能否适应Hadoop下的MapReduce计算框架。而鉴别是否能够适合MapReduce计算框架的标准是计算的可分离度是否高,不可分离的计算是否计算量足够小。3.应用HOG特征在人脸识别上。经试验证实,基于梯度直方图的HOG,可以适应各种不同光照。4.二分类器常常使用SVM算法。而SVM本身具备两个缺点:1.对线性不可分的情况只能使用核函数的方式,而核函数的选择缺乏有效的理论进行支持;2.只以一个分类平面来分类难以达到分类平面距离边界样本距离最远的目的。为了解决这两个问题,本文提出了SVM-Adaboost算法和NSMD算法,前者结合了无核SVM和Adaboost算法,解决了线性不可分的问题,后者则通过多次取最近样本中间的分类平面来构造复合的分类器,从而同时解决SVM的两个缺点。5.将整个人脸识别系统在Hadoop系统上实现,对系统中每个算法都实现了MapReduce框架。在特征提取之前,需使用一次MapReduce对各个图像进行预处理。而对特征提取需要经过三次MapReduce过程,一次用在HOG,两次用在PCA的协方差矩阵求取和降维映射上。在分类器上,不管识别还是训练上都只需要使用一次MapReduce。