基于GPU的并行人脸识别算法研究

论文摘要

人脸识别是模式识别和图像处理领域最前沿的研究课题之一。由于其在司法、公安、安全等领域有着广泛的应用前景,近年来人脸识别受到了广泛的关注。另一方面,近年来图形处理器(GPU)高速发展,提高了计算机图形处理的速度,并促进了与计算机图形相关应用领域的快速发展。与此同时,图形处理器绘制流水线的高速度和并行性以及近年来发展起来的可编程功能为图形处理以外的通用计算提供了良好的运行平台,这使得基于GPU的通用计算成为近两三年来人们关注的一个研究热点。在本文的人脸识别研究中,应用了基于Gabor特征的二次分类方法。该方法中对于特征提取部分,采用的是Gabor小波特征;对于分类器部分,采用了结合仿生模式识别与纠错SVM的二次分类器。二次分类器将基于仿生模式识别理论的HENN方法与具有纠错能力的SVM方法结合起来,首先使用HENN进行第一次分类得到中间结果,再将拒识、多识样本放入具有纠错能力的SVM中进行二次分类,达到了非常高的识别率。但是在Gabor特征提取、超椭球神经网络(HENN)和支持向量机的训练上所花费的时间比较长,对于40个人的ORL人脸库,整个人脸识别系统的训练时间在15分钟左右,对更大型的人脸库(如AR人脸库)时间长达40分钟左右。针对二次分类法人脸识别系统需要大量的训练时间的不足,本文提出了一种基于GPU并行原理的算法,充分利用GPU并行计算的优势,分别在人脸Gabor特征,超椭球神经网络和支持向量机的训练检验上对算法进行了改进,使之适合于GPU并行计算的优点,将训练和识别过程转化为GPU纹理并行渲染过程,在不影响识别率的前提下,获得了较好的加速效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究概况及发展趋势
• 1.3 本论文的主要工作和章节安排
• 2 人脸识别的原理和方法
• 2.1 人脸特征提取方法
• 2.1.1 主成分分析法（PCA）
• 2.1.2 基于Fisher线性判别准则的Fisher脸方法
• 2.1.3 Gabor特征提取方法
• 2.2 人脸识别方法
• 2.2.1 基于HENN的仿生模式识别分类器
• 2.2.2 纠错支持向量机（SVM）分类器的的设计方法
• 2.3 基于Gabor特征的二次分类方法
• 3 基于GPU并行加速的人脸识别算法
• 3.1 GPU概述
• 3.1.1 GPU的并行处理原理和体系结构
• 3.1.2 GPU通用计算的基本方法
• 3.2 基于GPU加速运算的人脸图像Gabor特征的提取
• 3.2.1 Gabor特征提取原理
• 3.2.2 GPU中的数据存储
• 3.2.3 Gabor特征提取的GPU实现
• 3.2.4 实验结果与分析
• 3.3 基于GPU加速的HENN分类器的并行实现
• 3.3.1 训练样本预处理的GPU实现
• 3.3.2 HENN训练检验算法的GPU实现
• 3.4 基于GPU加速的纠错支持向量机的并行实现
• 3.4.1 具有纠错能力的多类SVM分类方法
• 3.4.2 纠错支持向量机训练检验算法的GPU实现
• 3.5 基于GPU的二次分类法的并行实现
• 4 实验结果及分析
• 4.1 GPU加速HENN的实验结果与分析
• 4.2 GPU加速纠错支持向量机的实验结果与分析
• 4.3 GPU加速人脸识别实验结果与分析
• 4.4 本章小结
• 5 总结与展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢