基于云平台下嵌入GPU并行计算框架的人脸检测系统研究
随着信息社会的来临，信息数据规模在飞速增长，对数据处理进行加速已经成为了必然趋势。作为人脸信息剖析的起点，人脸检测是定位数字图像中人脸的位置和信息，是目标检测中的一项重要的应用。然而使用传统的的人脸检测技术在处理海量数据时暴露出存储困难和计算速度慢的缺点，针对这种情况，本文提出了基于新兴的云计算及GPU技术来解决这些问题的方案，能大幅度提高海量图片的人脸检测过程的速度，可以快速得到海量图片的人脸信息，进而有效的分析图片中的信息，为信息统计及人脸快速匹配等研究做出重要贡献。 Hadoop是一个可以让用户轻松架构和使用的分布式云计算平台。用户能够方便的在Hadoop上开发和运行处理海量数据的应用程序。Hadoop作为云计算平台具备高可靠性、高扩展性、高效性、高容错性、低成本性等很多优势，本文将使用Hadoop作为云计算平台。随着物理硬件的进一步发展，GPU并行计算已经是当前研究的热门问题。GPU作为多核处理器，计算能力已经达到CPU的10倍甚至几十倍。CUDA是一种由NVIDIA公司推出的通用并行计算架构，使用该架构可以处理复杂的计算问题。所编写的程序可以在支持CUDA的处理器上以超高性能运行。 为了提高海量图片人脸检测的计算效率和并行度，将Hadoop和GPU进行联合，已经成为了一种很好的解决方案。本文致力于利用Hadoop和GPU实现人脸检测的加速处理，完成的工作主要有: 1、分析Hadoop中MapReduce的现有机制，并结合我们的实验环境和可行性，将GPU合理的嵌入到MapReduce中，构建云平台集成嵌入GPU并行计算框架。该方法不仅对处理人脸检测有效，对其他的可以使用CUDA进行加速的图像处理都有效，具有很强的适用性。 2、Hadoop的输入输出针对的大多是文本，将图片数据引入到Hadoop中，需要解决自定义输入输出格式、图片存储和人脸信息存储等问题。 3、使用GPU加速人脸检测算法，需要相应的软硬件的配合，实验的环境比较复杂，需要在linux上搭建相应的环境。 4、对比不同模式下对同一个检测集的检测率和误检率;对比单张同幅不同尺度的图片在分别使用OPENCV处理、纯粹CPU处理及使用GPU加速处理之后人脸检测的速率;对比大数据量图片使用单机检测和使用Hadoop进行分布式计算下的OPENCV处理、纯粹CPU处理和GPU加速处理之后的人脸检测的速率;通过上述对比显示出基于云平台下嵌入GPU并行计算框架的人脸检测系统的优势。
人脸检测系统;图形处理器;并行计算框架;云计算平台
中国海洋大学
硕士
计算机技术
秦勃
2015
中文
TP391.41
69
2016-01-27（万方平台首次上网日期，不代表论文的发表时间）