| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究思路及主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关工作研究 | 第16-32页 |
| 2.1 大数据处理平台 | 第16-26页 |
| 2.1.1 分布式计算平台 | 第17-24页 |
| 2.1.2 分布式数据库平台 | 第24-26页 |
| 2.2 人脸识别技术 | 第26-28页 |
| 2.2.1 机器学习人脸识别方法 | 第26-27页 |
| 2.2.2 深度卷积神经网络人脸识别方法 | 第27-28页 |
| 2.3 海量视频处理技术 | 第28-31页 |
| 2.3.1 视频转码技术 | 第28-30页 |
| 2.3.2 视频读取技术 | 第30-31页 |
| 2.3.3 海量视频人脸识别技术 | 第31页 |
| 2.4 小结 | 第31-32页 |
| 第三章 分布式海量视频人脸识别框架设计 | 第32-42页 |
| 3.1 问题分析 | 第32-34页 |
| 3.2 框架设计 | 第34-37页 |
| 3.3 模块设计 | 第37-40页 |
| 3.3.1 视频数据的读取模块 | 第37页 |
| 3.3.2 人脸及特征提取模块 | 第37-39页 |
| 3.3.3 人脸图片及特征存储模块 | 第39-40页 |
| 3.3.4 人脸特征检索模块 | 第40页 |
| 3.4 小结 | 第40-42页 |
| 第四章 分布式环境下视频数据管理策略及优化 | 第42-54页 |
| 4.1 问题分析 | 第42-44页 |
| 4.2 视频VTI解耦合模型 | 第44-46页 |
| 4.3 海量视频VTI解耦合读取策略 | 第46-50页 |
| 4.3.1 视频读取策略设计 | 第46-48页 |
| 4.3.2 数据倍增问题优化 | 第48-50页 |
| 4.4 人脸图片及其特征数据存储策略 | 第50-52页 |
| 4.5 实验与测评 | 第52-53页 |
| 4.6 小结 | 第53-54页 |
| 第五章 支持存储空间优化的海量人脸特征检索技术 | 第54-66页 |
| 5.1 问题分析 | 第54-55页 |
| 5.2 LBP特征的分布式检索设计及优化 | 第55-59页 |
| 5.2.1 基于LBP的人脸特征提取方法 | 第55-57页 |
| 5.2.2 LBP特征的压缩优化 | 第57-59页 |
| 5.3 基于深度卷积神经网络的人脸特征提取优化 | 第59-63页 |
| 5.3.1 基于深度卷积神经网络的人脸特征提取 | 第60-61页 |
| 5.3.2 人脸特征hash优化 | 第61-63页 |
| 5.4 实验及测评 | 第63-65页 |
| 5.5 小结 | 第65-66页 |
| 第六章 基于Spark的海量视频人脸识别框架实现及实验 | 第66-80页 |
| 6.1 Spark环境下HDFS中视频文件读取策略实现 | 第66-70页 |
| 6.2 Spark环境下OpenCV接口融合策略实现 | 第70-72页 |
| 6.3 人脸特征提取策略实现 | 第72-74页 |
| 6.4 人脸图片及特征数据存储策略实现 | 第74-76页 |
| 6.5 实验与测评 | 第76-79页 |
| 6.6 小结 | 第79-80页 |
| 结束语 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 作者在学期间取得的学术成果 | 第86页 |
