GPU加速的若干3D人脸分析与识别算法

论文摘要

随着3D扫描设备的日益成熟和CPU计算能力的提高,3D人脸分析与识别算法得到了长足的发展。3D人脸识别不仅具有人脸识别友好,不易伪造等优点,还不像2D人脸识别那样易受光照,姿态变化的影响。不过3D人脸识别对计算能力的高要求是当今限制它发展和广泛应用的原因之一,一些算法也只能采取它的近似实现,以换取速度的提升如ICP匹配算法。当代GPU以其强大的浮点计算能力,在计算机体系结构中不仅扮演着图形处理器的角色,还开始担当通用计算的重任。在众多领域如天文计算、流体力学模拟、分子动力学仿真等,使用GPU加速的应用获得了数倍,数十倍,甚至上百倍的性能提升。探索GPU通用计算在3D人脸分析与识别算法加速中的应用,这是本人工作的出发点。本文在介绍了3D人脸数据,3D人脸分析与识别的研究现状,及存在的问题,回顾了GPU通用计算的发展,详细介绍的GPU通用计算的开放标准OpenCL的基础上,主要完成了以下几个工作：（1）分析了3D人脸去噪算法尖峰噪声移除、空洞填补、高斯平滑和双边网格去噪。并给出这些算法的GPU实现。（2）提出了一种基于双模板匹配的任意姿态3D人脸鼻尖点定位算法,并给出了该算法的GPU加速实现。（3）分析了3D人脸分析和识别领域广泛使用的匹配算法ICP,及其近似快速实现,在此基础上给出了ICP算法的GPU加速实现方案。提出了适合GPU用于严格最近邻点查找的k-d tree实现方法和GPU并行求和算法,并以此实现了ICP算法的GPU加速。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 3D人脸数据
• 1.2.1 3D人脸数据的获取
• 1.2.2 3D人脸数据的表示
• 1.2.3 3D人脸数据库
• 1.3 3D人脸分析与识别研究现状
• 1.3.1 人脸识别的定义
• 1.3.2 3D人脸识别系统
• 1.3.3 3D人脸分析算法
• 1.3.4 3D人脸识别算法
• 1.4 3D人脸分析与识别中存在的问题
• 1.5 本文研究内容与组织结构
• 1.6 本章小结
• 第2章 GPU通用计算技术
• 2.1 GPU通用计算的定义
• 2.2 图形处理器的诞生和发展
• 2.3 GPU通用计算的革命——CUDA
• 2.3.1 全新的通用计算体系结构
• 2.3.2 CUDA的软件体系
• 2.4 GPU通用计算硬件基础——当代GPU核心架构
• 2.4.1 AMD/ATI RV870核心架构
• 2.4.2 NVidia GF100核心架构
• 2.5 GPU通用计算开放标准——OpenCL
• 2.5.1 OpenCL的诞生
• 2.5.2 OpenCL的体系结构
• 2.6 GPU通用计算应用现状
• 2.7 本章小结
• 第3章 GPU加速的3D人脸去噪处理
• 3.1 尖峰噪声和高斯白噪声
• 3.2 尖峰噪声移除、空洞填补和高斯平滑
• 3.2.1 算法介绍
• 3.2.2 GPU实现
• 3.2.3 实验环境
• 3.2.4 实验结果及分析
• 3.3 双边网格去噪
• 3.3.1 算法介绍
• 3.3.2 GPU实现
• 3.3.3 实验结果及分析
• 3.4 本章小结
• 第4章 GPU加速的3D人脸鼻尖点定位算法
• 4.1 鼻尖点定位对于3D人脸分析的意义
• 4.2 基于双模板匹配的任意姿态3D人脸鼻尖点定位算法
• 4.2.1 算法思想及基本步骤
• 4.2.2 侧影线提取
• 4.2.3 侧影线重构
• 4.2.4 双模板匹配
• 4.3 GPU加速实现
• 4.3.1 数据结构
• 4.3.2 执行模型
• 4.3.3 kernel
• 4.4 实验结果及分析
• 4.4.1 定位实验
• 4.4.2 GPU加速实验
• 4.5 本章小结
• 第5章 3D人脸匹配算法ICP的GPU加速实现
• 5.1 ICP算法介绍
• 5.1.1 算法思想和步骤
• 5.1.2 在3D人脸分析与识别中应用
• 5.1.3 存在的问题
• 5.2 ICP算法的GPU加速实现
• 5.2.1 加速方案
• 5.2.2 计算最近邻点集
• 5.2.3 GPU并行求和
• 5.2.4 应用变换
• 5.3 实验结果及分析
• 5.4 本章小结
• 第6章 总结和展望
• 6.1 论文工作总结及后续工作
• 6.2 GPGPU编程感悟
• 6.3 GPGPU展望
• 参考文献
• 攻读硕士学位期间主要的研究成果
• 致谢