| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·人脸识别的研究现状 | 第12-13页 |
| ·Hadoop 与 MapReduce 模型的研究现状 | 第13-14页 |
| ·本文研究内容与组织结构 | 第14-15页 |
| 第二章 Hadoop 平台与 MapReduce 模型 | 第15-28页 |
| ·Hadoop 分布式文件系统 | 第15-21页 |
| ·HDFS 的设计 | 第15-16页 |
| ·名字节点和数据节点 | 第16-17页 |
| ·Hadoop 文件系统 | 第17页 |
| ·HDFS 接口 | 第17-18页 |
| ·数据复制 | 第18页 |
| ·数据流 | 第18-21页 |
| ·MapReduce 模型 | 第21-27页 |
| ·MapReduce 的执行流程 | 第21-24页 |
| ·MapReduce 的输入输出格式 | 第24-26页 |
| ·Hadoop 的 Streaming | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 人脸识别相关技术研究 | 第28-34页 |
| ·人脸检测 | 第28-30页 |
| ·基于先验知识的人脸检测 | 第28-29页 |
| ·基于肤色特征的人脸检测 | 第29页 |
| ·基于模板匹配的人脸检测 | 第29页 |
| ·基于神经网络的人脸检测 | 第29页 |
| ·实时人脸检测 | 第29-30页 |
| ·人脸特征提取 | 第30页 |
| ·主成分分析 PCA | 第30页 |
| ·其他特征提取方法 | 第30页 |
| ·常用的人脸库 | 第30-31页 |
| ·人脸图像预处理 | 第31-34页 |
| ·色彩转换 | 第31-32页 |
| ·人脸几何归一化 | 第32-33页 |
| ·人脸灰度归一化 | 第33-34页 |
| 第四章 基于统计学习理论的人脸识别方法比较 | 第34-44页 |
| ·统计学习理论 | 第34-35页 |
| ·基于支持向量机的人脸识别方法 | 第35-41页 |
| ·线性支持向量机 | 第35-37页 |
| ·非线性支持向量机 | 第37-39页 |
| ·核函数 | 第39-40页 |
| ·利用多类支持向量机进行人脸识别 | 第40-41页 |
| ·基于神经网络的人脸识别方法 | 第41-43页 |
| ·BP 神经网络 | 第41-42页 |
| ·利用 BP 神经网络进行人脸识别 | 第42-43页 |
| ·实验结果 | 第43-44页 |
| 第五章 利用 MapReduce 改进基于 SVM 的人脸识别 | 第44-56页 |
| ·人脸特征提取 | 第44-45页 |
| ·利用 PCA 方法提取人脸特征 | 第44页 |
| ·特征值的选取 | 第44-45页 |
| ·利用 MapReduce 模型训练多类 SVM 进行人脸识别 | 第45-48页 |
| ·传统人脸识别方法存在的问题 | 第45页 |
| ·利用 MapReduce 模型进行人脸识别的优点 | 第45-46页 |
| ·MapReduce 模型的 Bagging 算法适应性 | 第46页 |
| ·“一对多”法训练 SVM | 第46-47页 |
| ·“一对一”法训练 SVM | 第47-48页 |
| ·Hadoop 平台配置 | 第48-51页 |
| ·实验及实验结果 | 第51-56页 |
| ·实验方案 | 第51-52页 |
| ·实验结果及分析 | 第52-56页 |
| 总结与展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第61页 |
