云计算平台下的人脸识别-文档资料.docVIP

云计算平台下的人脸识别 　　： The face recognition method on cloud computing platform is studied. A face recognition method based on support vector machine classification model was established on Hadoop platform to develop the parallel computing advantages of MapReduce， and improve the recognition efficiency. The features of face recognition of the conventional LBP operator and depth LBP operator are different， so the two operators are combined with weighted method to give play to their respective advantages. The Yale B face database， ORL face database and FERET face database widely used in face recognition field are adopted to analyze the face recognition algorithm on cloud computing platform with instance. The results show that the recognition accuracy of the studied method is higher than that of the traditional methods. The face recognition method studied in this paper is compared with the classifier established with BP neural network and RBF neural network on the same cloud computing platform. The results show that， on cloud computing platform， the face recognition effect of using SVM classifier is better than that of using BP neural network and RBF neural network. 　　Keywords： cloud computing； Hadoop platform； face recognition； support vector machine； neural network 　　0 引 言 　　随着信息技术的不断发展，人脸识别在身份验证、安全验证、视屏监控以及人机交互等领域中得到了广泛的应用。人脸识别成为模式识别、机器学习以及人工智能领域的重点研究话题之一[1?4]。云计算是随着互联技术不断发展衍生的产物之一，由于互联网统计以及分析的海量数据对于传统数据处理平台已无法完全应付，传统数据平台计算能力有限，并且计算能力受硬件限制，提升的空间有限。云计算平台能够高效利用网络中的计算资源，组织整合可利用资源，高效高质量完成计算任务，云计算已成为当今互联网的热门话题，得到了广泛而深入的研究。本文针对云计算平台下的人脸识别方法进行研究[5?7]。 　　1 人脸识别特征 　　1.1 常规LBP 　　结果表明，在云计算平台下，使用SVM分类器进行人脸识别时，效果优于BP神经网络和RBF神经网络分类器。说明神经网络多层结构需要多次循环多次训练优化才能得到最优的算法参数，这就限制了其在云计算平台下的应用，在云计算平台下建立神经网络识别分类模型，有可能不会提高反而降低计算效率，因此神经网络算法不适用于MapReduce模型。 　　4 结 语 　　为了提高人脸识别方法的识别效率，本文在当下流行的云计算Hadoop平台上建立人脸识别模型，使用加权方式结合常规LBP算子和深度LBP算子，以发挥各自的优点。最后，使用人脸识别领域应用最为广泛的Yale B人脸数据库、ORL人脸数据库以及FERET人脸数据库对本文研究的云计算平台下的人脸识别算法进行实例分析。结果表明，本文研究的识别方法的识别准确率要高于使用传统方法的识别率。在相同云计算平台下，使用BP神经网络和RBF神经网络建立分类器与本文研究的人脸识别方