云計算平臺下的人臉識別

摘 要： 對云計算平臺下的人臉識別方法進行研究，在Hadoop平臺上建立基于支持向量機分類模型的人臉識別方法，以發揮MapReduce并行計算優勢，提高識別效率。由于常規LBP算子和深度LBP算子識別人臉特征不同，所以該文使用加權方式結合兩種算子，以發揮各自的優點。最后，使用人臉識別領域應用最為廣泛的Yale B人臉數據庫、ORL人臉數據庫以及FERET人臉數據庫對該文研究的云計算平臺下的人臉識別算法進行實例分析。實驗結果表明，所研究的識別方法的識別準確率要高于使用傳統方法的識別率。在相同云計算平臺下，使用BP神經網絡和RBF神經網絡建立分類器與該文研究的人臉識別方法進行對比，結果表明，在云計算平臺下，使用SVM分類器進行人臉識別的效果優于BP神經網絡和RBF神經網絡分類器。

關鍵詞： 云計算； Hadoop平臺； 人臉識別； 支持向量機； 神經網絡

中圖分類號： TN911?34； TP317.4 文獻標識碼： A 文章編號： 1004?373X（2016）18?0088?03

Abstract： 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

隨著信息技術的不斷發展，人臉識別在身份驗證、安全驗證、視屏監控以及人機交互等領域中得到了廣泛的應用。人臉識別成為模式識別、機器學習以及人工智能領域的重點研究話題之一[1?4]。云計算是隨著互聯技術不斷發展衍生的產物之一，由于互聯網統計以及分析的海量數據對于傳統數據處理平臺已無法完全應付，傳統數據平臺計算能力有限，并且計算能力受硬件限制，提升的空間有限。云計算平臺能夠高效利用網絡中的計算資源，組織整合可利用資源，高效高質量完成計算任務，云計算已成為當今互聯網的熱門話題，得到了廣泛而深入的研究。本文針對云計算平臺下的人臉識別方法進行研究[5?7]。

1 人臉識別特征

1.1 常規LBP

結果表明，在云計算平臺下，使用SVM分類器進行人臉識別時，效果優于BP神經網絡和RBF神經網絡分類器。說明神經網絡多層結構需要多次循環多次訓練優化才能得到最優的算法參數，這就限制了其在云計算平臺下的應用，在云計算平臺下建立神經網絡識別分類模型，有可能不會提高反而降低計算效率，因此神經網絡算法不適用于MapReduce模型。

4 結 語

為了提高人臉識別方法的識別效率，本文在當下流行的云計算Hadoop平臺上建立人臉識別模型，使用加權方式結合常規LBP算子和深度LBP算子，以發揮各自的優點。最后，使用人臉識別領域應用最為廣泛的Yale B人臉數據庫、ORL人臉數據庫以及FERET人臉數據庫對本文研究的云計算平臺下的人臉識別算法進行實例分析。結果表明，本文研究的識別方法的識別準確率要高于使用傳統方法的識別率。在相同云計算平臺下，使用BP神經網絡和RBF神經網絡建立分類器與本文研究的人臉識別方法進行對比。結果表明，在云計算平臺下，使用SVM分類器進行人臉識別時，效果優于BP神經網絡和RBF神經網絡分類器。

參考文獻

[1] 田海軍.基于支持向量機的人臉識別技術研究與實現[D].長沙：國防科學技術大學，2009.

[2] 吳青，梁勃，王婉，等.多分類光滑支持向量機的人臉識別方法[J].計算機應用，2015（z1）：122?126.

[3] 張儼.一種云計算環境下人臉識別系統的設計與實現[D].西安：西安電子科技大學，2013.

[4] 張麗春.基于SIFT和SVM的人臉識別研究[D].上海：華東師范大學，2009.

[5] 朱金魁.人臉識別算法的研究[D].哈爾濱：東北林業大學，2009.

[6] 李仕釗.基于云計算的人臉識別系統研究與實現[D].廣州：華南理工大學，2013.

[7] 劉銳.基于人臉圖像稠密匹配的身份識別技術研究[D].合肥：中國科學技術大學，2014.

[8] 張雯，王文偉.基于局部二值模式和深度學習的人臉識別[J].計算機應用，2015，35（5）：1474?1478.

[9] 陳莉，趙峰.基于支持向量機的局部二值模式加權算法在人臉識別中的應用[J].科技通報，2015（7）：111?114.

[10] 曹海軍.基于深度學習的手背靜脈識別研究[D].北京：北方工業大學，2015.

[11] 廖周宇，謝曉蘭，劉建明.云計算環境下基于SVM的數據分類[J].桂林理工大學學報，2013（4）：765?769.

[12] 朱啟敏.基于云計算平臺的神經網絡計算方法及其應用研究[D].廣州：華南理工大學，2014.

[13] 蔣卓軒.基于Android平臺大規模人臉識別系統研究與實現[D].長沙：湖南大學，2013.

[14] 付慶.基于支持向量機的人臉識別技術研究[D].青島：青島大學，2007.