基于Hadoop海量人脸图像识别研究与实现.pptxVIP

基于Hadoop的海量人脸图像识别算法研究与实现;课题研究背景、意义、现状等 研究目标、内容、拟解决关键问题 研究方法、技术路线、试验方案 计划进度、预期成果;网络上的数据量飙升。图像数据占据了其中很大的一部分。 Hadoop擅长处理大数据，且目前对非图像的大数据处理已有很好成效。 现有许多人也研究hadoop处理大图像（如遥感图像）算法。 本课题拟研究hadooop对小图像的处理。 人脸识别正是使用数量巨大的小图像;实时的人脸识别技术在社会各方面都有需求： 1、电子护照及身份证——未来规模最大的应用。 2、公安、司法和刑侦。如：搜捕逃犯。 3、08年北京奥运会——“实时人脸识别技术”。 Hadoop处理海量图像数据技术应用于网络上的图像信息收集。;Chris Sweeney等人提出了HIPI，通过建立HIPI的图像数据格式，存储许多小图到一个大文件，主要是建立一个图像文件索引。 Tolga Soyata等人提出了MOCHA，基于手机的人脸识别云处理算法，通过本地手机采集图像发送到云端处理，可以使得识别能实时进行 …… ;本课题希望 1、提供一种hadoop处理海量小图像的解决方案 2、使人脸识别算法更高效、实时;研究内容;1、图像格式的IO类型 2、输入文件过多 3、图像数据的特殊性及人脸图像的特性 4、图像对比过程;特征提取 ;1、一张图片的处理 2、多张图片的处理 3、多张图片的存储 ;1、I/O格式 ------图片的格式特殊，以往的数据类型都不适用，需要有一个图像的I/O格式 ;2、多输入路径问题和多输出路径问题 修改输入输出格式文件;3、过多文件问题 ;1800张图像、9M 单机 ：460s Hadoop不考虑小图像因素：798s Hadoop考虑小图像因素：160s ;特征匹配 ;特征作对比问题 ;1、将人脸特征提取方法与MapReduce模型结合，提高在海量人脸图像场景时特征提取过程的效率，使之达到实时的要求； 2、将直方图匹配方法与MapReduce结合，在匹配过程提速。 3、对Hadoop处理大量小图像文件的情况研究，对不擅长处理大量小文件且不擅长处理图像文件的hadoop，提出一种解决方案。 4、与单机模式下的同一人脸识别算法比较效率。 ;硬件环境： 虚拟机3个节点均是ubuntu12.10系统，一个master,2 个slave 软件环境： Hadoop-1.2.1 Jdk-1.7.0_25 JavaCv-0.2 OpenCv2.4.6.1;2014年4月前：收集相关资料 2014年4~8月：研究人脸特征提取环节 2014年8~12月：研究人脸特征匹配环节。 2015年1~3月：综合研究成果，撰写毕业论文，并修改。 2015年4月：完成学位论文，准备答辩。 ;发表1-2篇基于云计算平台的人脸识别相关学术论文。 按期完成硕士学位论文。 ;