人脸检测算法的并行化研究与实现

《人脸检测算法的并行化研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据中图分类号堡三窆!UDC004．92硕士学位论文学校代码!Q§三三密级公珏人脸检测算法的并行化研究与实现ResearchandImplementationofFaceDetectionParalleledAlgorithm作者姓名：刘智学科专业：计算机科学与技术研究方向：计算机应用技术学院(系、所)：信息科学与工程学院指导教师：黄东军教授副指导教师：论文答辩日期丝!±￡坐答辩委员会主席亟l盎造中南大学二零一四年五月万方数据学位论文原创性声明本人郑重声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特

2、别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他教育机构的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。申请学位论文与资料若有不实之处，本人承担一切相关责任。作者签名：生2鸟日期：丑年』月且日学位论文版权使用授权书本学位论文作者和指导教师完全了解中南大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交学位论文的复印件和电子版；本人允许本学位论文被查阅和借阅；学校可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用复印、缩

3、印或其它手段保存和汇编本学位论文。保密论文待解密后适应本声明。作者签名：堑』整日期：盟年上月且目导师签万方数据人脸检测算法的并行化研究与实现摘要：人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题，在基于内容的图像与视频检索、视频监控、智能人机交互以及自动人脸识别等领域有着重要的应用价值。人脸检测是人脸分析的首要环节其处理的问题是确认图像中是否存在人脸，如果存在就对人脸进行定位。AdaBoost算法是Viola等人于2001年提出的一种快速人脸检测算法，是人脸检测领域里具有里程碑式的意义。本文重点研究了基于AdaBoost的人脸检测算法

4、。AdaBoost算法是一种可以将弱学习转换为强学习的方法，从理论上讲，只要有足够多的样本，训练足够充分，就可以训练出错误率无限趋于零的分类器。但是，正因为如此，当样本数目比较多的时候，AdaBoost训练算法存在训练时间过长的问题。针对这个问题，本文首先提出了一个并行化的AdaBoost人脸检测算法，通过对样本的分割，使得训练过程得以并行进行，显著地加快了样本的训练过程，同时通过对每一部分样本训练得到的弱分类器进行组合，最终得到的强分类器的错误率也保持在一个理想的数值。然后，结合MapReduce的特点，给出了改进算法的一个具体实现方案。最后，通

5、过实验结果分析，验证了并行化的人脸检测算法确实能提高训练速度，并且新算法对训练时间的加速比优于传统的并行化改进算法。图26幅，表3个，参考文献62篇。关键词：人脸检测；并行化；分类器；训练时间；加速比分类号：TP391II万方数据ResearchandImplementationofFaceDetectionParalleledAlgorithmAbstract：FacedetectioniSafundamentalandimportantresearchthemeinthetopicofPatternRecognitionandComputerV

6、isionandithasabroadapplicationinmanyfieldssuchascontent-basedimageandvideoretrieval，videosurveillance，human-computerinterfaceandautomaticfacedetection，etc．Facedetectionisthefirstphaseoffaceanlysis，theproblemrefertofacedetectionistodeterminatewhethertherearehumanfacesintheimage

7、．IfSO，thenlocatethehumanfacesintheimage．AdaBoostalgorithmisafastfacedetectionalgorithmproposedbyⅥ01aeta1in2001，itisamile-stoneinthefieldofobjectdetection．111ispaperfocusesonafacedetectionalgorithmbasedonAdaBoost．AdaBoosttheoryCantransformweaklearningtostronglearning，theoretica

8、lly,ifthereareenoughsamples，andthetrainingisabsolutelyadequat