| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 人脸检测评价标准 | 第12页 |
| 1.3 Hadoop与GPU结合研究现状 | 第12-13页 |
| 1.4 GPU及高性能并行计算技术发展现状 | 第13-15页 |
| 1.5 人脸检测技术的发展现状 | 第15-16页 |
| 1.6 本文主要工作及贡献 | 第16页 |
| 1.7 本文组织结构 | 第16-18页 |
| 2 系统相关关键技术介绍 | 第18-27页 |
| 2.1 Hadoop简介 | 第18-21页 |
| 2.2 GPU编程架构CUDA | 第21-24页 |
| 2.3 OPENCV图像处理库 | 第24-25页 |
| 2.4 Adaboost人脸检测算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于云平台下嵌入GPU并行计算框架人脸检测系统的实现 | 第27-49页 |
| 3.1 云平台架构及物理参数 | 第27-29页 |
| 3.2 云平台下嵌入GPU并行计算框架设计 | 第29-32页 |
| 3.3 Adaboost人脸检测算法GPU并行计算改造 | 第32-42页 |
| 3.3.1 积分图计算并行加速改造 | 第33-37页 |
| 3.3.2 级联分类器检测待检窗口的并行计算改造 | 第37-42页 |
| 3.4 构造基于云平台下嵌入GPU并行计算框架的人脸检测系统 | 第42-47页 |
| 3.4.1 在Hadoop中引入自定义的图片数据类型 | 第42页 |
| 3.4.2 自定义处理图片数据的Hadoop InputFormat | 第42-45页 |
| 3.4.3 在Hadoop-GPU框架中实现人脸检测 | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 4 系统优化 | 第49-56页 |
| 4.1 引入内存图片数据编解码功能 | 第49-52页 |
| 4.2 引入新的待检测图片数据处理模式 | 第52-54页 |
| 4.3 本章小结 | 第54-56页 |
| 5 实验结果对比与分析 | 第56-61页 |
| 5.1 系统检测精度结果与分析 | 第56-57页 |
| 5.2 系统检测速率结果与分析 | 第57-59页 |
| 5.3 系统优化前后检测速率结果与分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结和展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 | 第65-69页 |
| A：Hadoop中引用Cuda并行运算的环境配置方案 | 第65-66页 |
| B：Hadoop中加入JNI调用 | 第66-68页 |
| C：Linux下Opencv的安装及配置使用 | 第68-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70页 |
