| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景和意义 | 第8-11页 |
| ·国内外研究概况及发展趋势 | 第11-13页 |
| ·本论文的主要工作和章节安排 | 第13-15页 |
| 2 人脸识别的原理和方法 | 第15-35页 |
| ·人脸特征提取方法 | 第15-24页 |
| ·主成分分析法(PCA) | 第15-18页 |
| ·基于Fisher线性判别准则的Fisher脸方法 | 第18-22页 |
| ·Gabor特征提取方法 | 第22-24页 |
| ·人脸识别方法 | 第24-33页 |
| ·基于HENN的仿生模式识别分类器 | 第24-29页 |
| ·纠错支持向量机(SVM)分类器的的设计方法 | 第29-33页 |
| ·基于Gabor特征的二次分类方法 | 第33-35页 |
| 3 基于GPU并行加速的人脸识别算法 | 第35-58页 |
| ·GPU概述 | 第35-42页 |
| ·GPU的并行处理原理和体系结构 | 第35-37页 |
| ·GPU通用计算的基本方法 | 第37-42页 |
| ·基于GPU加速运算的人脸图像Gabor特征的提取 | 第42-46页 |
| ·Gabor特征提取原理 | 第42-43页 |
| ·GPU中的数据存储 | 第43-44页 |
| ·Gabor特征提取的GPU实现 | 第44-45页 |
| ·实验结果与分析 | 第45-46页 |
| ·基于GPU加速的HENN分类器的并行实现 | 第46-52页 |
| ·训练样本预处理的GPU实现 | 第46-49页 |
| ·HENN训练检验算法的GPU实现 | 第49-52页 |
| ·基于GPU加速的纠错支持向量机的并行实现 | 第52-56页 |
| ·具有纠错能力的多类SVM分类方法 | 第52-53页 |
| ·纠错支持向量机训练检验算法的GPU实现 | 第53-56页 |
| ·基于GPU的二次分类法的并行实现 | 第56-58页 |
| 4 实验结果及分析 | 第58-66页 |
| ·GPU加速HENN的实验结果与分析 | 第58-61页 |
| ·GPU加速纠错支持向量机的实验结果与分析 | 第61-63页 |
| ·GPU加速人脸识别实验结果与分析 | 第63-64页 |
| ·本章小结 | 第64-66页 |
| 5 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |