| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 相关研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 相关概念和技术 | 第16-24页 |
| 2.1 Spark并行计算框架 | 第16-18页 |
| 2.1.1 弹性分布式数据集 | 第16页 |
| 2.1.2 Spark资源管理与作业调度 | 第16-17页 |
| 2.1.3 开发接口 | 第17-18页 |
| 2.2 分布式存储存储HDFS | 第18页 |
| 2.3 支持向量机 | 第18-20页 |
| 2.3.1 支持向量机基本概念 | 第18-19页 |
| 2.3.2 核函数与非线性支持向量机 | 第19-20页 |
| 2.4 视频图像数据的分析与处理 | 第20-22页 |
| 2.4.1 关键帧抽取 | 第20-21页 |
| 2.4.2 图像特征 | 第21页 |
| 2.4.3 人脸识别 | 第21-22页 |
| 2.5 卷积神经网络与Caffe | 第22-23页 |
| 2.5.1 卷积神经网络 | 第22-23页 |
| 2.5.2 CaffeOnSpark | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于Spark的并行支持向量机算法 | 第24-38页 |
| 3.1 多重子模型并行支持向量机 | 第24-26页 |
| 3.2 算法基于Spark的实现过程 | 第26-29页 |
| 3.3 多分类扩展以及计算负载均衡化 | 第29-31页 |
| 3.3.1 SVM多分类扩展 | 第29页 |
| 3.3.2 计算负载均衡 | 第29-31页 |
| 3.4 实验 | 第31-37页 |
| 3.4.1 实验环境 | 第32页 |
| 3.4.2 实验数据集与模型参数 | 第32-33页 |
| 3.4.3 实验验证 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于Spark的并行视频处理与分析 | 第38-49页 |
| 4.1 功能架构概述 | 第38-39页 |
| 4.2 视频数据解析 | 第39-40页 |
| 4.2.1 视频图像数据存取 | 第39页 |
| 4.2.2 镜头分割与关键帧提取 | 第39-40页 |
| 4.2.3 并行算法设计 | 第40页 |
| 4.3 图像处理与特征 | 第40-43页 |
| 4.3.1 目标检测 | 第40-41页 |
| 4.3.2 人脸矫正与标准化 | 第41页 |
| 4.3.3 主成分分析 | 第41-42页 |
| 4.3.4 局部二值模式 | 第42页 |
| 4.3.5 深度模型 | 第42-43页 |
| 4.3.6 并行算法设计 | 第43页 |
| 4.4 实验 | 第43-48页 |
| 4.4.1 实验环境与数据集 | 第43-44页 |
| 4.4.2 视频数据处理实验 | 第44-45页 |
| 4.4.3 人脸分析实验 | 第45-48页 |
| 4.5 小结 | 第48-49页 |
| 第五章 算法系统集成与应用 | 第49-64页 |
| 5.1 大数据分析平台介绍 | 第49-50页 |
| 5.2 算法组件设计及集成 | 第50-59页 |
| 5.2.1 OSGI组件集成规范 | 第50-52页 |
| 5.2.2 分类算法组件的设计与集成 | 第52-55页 |
| 5.2.3 视频解析与图像特征提取组件的设计与集成 | 第55-59页 |
| 5.3 视频数据分析应用 | 第59-63页 |
| 5.3.1 人脸识别 | 第59-61页 |
| 5.3.2 人脸表情识别平台中应用 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文 | 第70页 |